close

Enter

Log in using OpenID

スキルチェックリスト(PDF) - 一般社団法人 データサイエンティスト協会

embedDownload
〒108-0071 東京都港区白金台 3-2-10 白金台ビル
Tel:03-6721-9001 Fax:050-3153-1219
2015 年 11 月 20 日
プレスリリース
報道関係各位
一般社団法人データサイエンティスト協会
データサイエンティストに必要とされるスキルをまとめた
スキルチェックリストを初公開
総合人材サービス会社での活用が決定
一般社団法人データサイエンティスト協会(所在地:東京都港区、代表理事 草野 隆
史、以下 データサイエンティスト協会)およびスキル委員会(委員長 安宅 和人、副委
員長 佐伯 諭)は、データサイエンティストに必要とされるスキルを「データサイエン
ティスト スキルチェックリスト(以下スキルチェックリスト)」としてまとめ、第1版
を公開いたしました。また、昨年 12 月に公開の「データサイエンティストのミッショ
ン、スキルセット、定義、スキルレベル」について 2015 年版を発表いたしました。
データサイエンティストは、ビッグデータや IoT を活用する上で不可欠となる職種と
いわれており、国内においてもその不足が課題となっております。データサイエンティ
スト協会は、この課題に対し、データサイエンティストという新しい職業が健全に成長
をするための環境整備を目的に 2013 年より活動を行っております。
活動の一環として昨年 12 月に発表した、「データサイエンティストのミッション、
スキルセット、定義、スキルレベル」は、データサイエンティストとして目指すべき職
種像を明らかにしたものでしたが、今回、新たに作成したスキルチェックリストは、各
スキルレベルで求められるスキルの内容を具体的に整理したものとなります。
データサイエンティストが有すべきスキルを明確にしたスキルチェックリストがもた
らす効果と対象は、以下のとおりです。今後、国内におけるデータサイエンティストの
不足と、その定義が曖昧なことにより発生しているさまざまなミスマッチによる社会的
損失を解消し、業界の健全な発展に寄与することを期待しております。
■想定する効果と対象
想定する対象
データサイエンティストを目指す人材
データサイエンティストを採用する企業
データサイエンティストの求職者
データサイエンティストを紹介する企業
データサイエンティストを育成する
教育機関・企業
想定する効果
習得するべきスキルの明確化
獲得したい人材のスキルの明確化・明文化
同スキルの人材の待遇のバラつき解消
自分のスキルの明示とともに、
期待される仕事のレベルの事前把握
求職者と求人内容のスキルによる
マッチング
カリキュラムの明確化
www .d a ta sc ien t i st. or . j p
〒108-0071 東京都港区白金台 3-2-10 白金台ビル
Tel:03-6721-9001 Fax:050-3153-1219
データサイエンティスト協会は、スキルチェックリストを利用した自己診断サービス
(データサイエンティスト協会のウェブサイト上でチェックすることで自身のスキルレ
ベルを判定したチェックシートが出力される)の提供を来春に予定しており、総合人材
サービス会社の株式会社インテリジェンスの人材紹介部門より、データサイエンティス
ト職の求人求職において同フォーマットを活用したマッチングに賛同の意を表明いただ
いております。
■「データサイエンティスト スキルチェックリスト」の展開イメージ
■本スキルチェックリストに寄せられた声
株式会社インテリジェンス
キャリア Div.&メディア Div. マーケティング企画統括部
エグゼクティブマネジャー 木下 学 様
株式会社インテリジェンス
キャリアディビジョン マーケティング企画統括部 データアナリティクス部
マネジャー 大江 信明 様
「通常、人材紹介会社では、企業の人事部様に採用要件をヒアリングし、その要件か
ら求人票を作成します。そして転職希望者様とマッチングの上、求人を案内していき
ます。今回のスキルチェックリストの利用により、企業への採用要件のヒアリングや、
転職希望者のスキルのヒアリングにおいて、項目が統一されることにより、マッチン
グの向上に役立てることができることを期待しております。また、どのように使用し
たらより有効に機能するのか、引き続き検討したいと考えております。」
www .d a ta sc ien t i st. or . j p
〒108-0071 東京都港区白金台 3-2-10 白金台ビル
Tel:03-6721-9001 Fax:050-3153-1219
■スキルチェックリスト公開の背景
データサイエンティスト協会の設立の背景と目的
データサイエンティスト協会設立時の状況としては、以下の主な課題がありました。
・バズワードである「データサイエンティスト」という言葉の定義が欠落
・雇い主側の期待に雇われる側のスキルセットが一致しないケースが増加
・若い才能達が、自分をどう訓練し、スキルを身に着けていくべきかわからない
・企業としてこの新しい職種の適切な処遇や活用の方法が未確立
・その他、全般的に情報が不足している
この課題認識を踏まえ、データサイエンティスト協会は、以下の主な目的を果たすた
めに設立されました。
1.この新しいデータプロフェッショナル(「データサイエンティスト」)に必要と
されるスキルセットを定義する
2.データサイエンティストの育成と評価のための軸、基準を作る
3.データサイエンティストが相互に接し、情報をやりとりできる環境を提供する
4.社会に対して、データサイエンティスト及びその仕事を啓蒙するとともに、必要
な情報を発信する
5.その他、必要な仕組みづくりを推進する
スキル委員会は、昨年公開した上記の「1.スキルセット」に基づき、今回、「2.
データサイエンティストの育成と評価のための軸、基準」の作成検討を進め、得られた
成果をスキルチェックリストとしてまとめました。
■スキルチェックリストの概要
データサイエンティストのスキルレベル(2015 年版)
データサイエンティストのスキルセット(ビジネス力/データサイエンス力/データエ
ンジニアリング力)別に 4 段階のスキルレベルを定義しています。この 1 年間の技術・
業界の進展を受けて、スキルレベル表を更新しました。(詳細は、図1を参照)
1.業界を代表するレベル
2.棟梁レベル
3.独り立ちレベル
4.見習いレベル
:Senior Data Scientist(★★★★)
:Full Data Scientist(★★★)
:Associate Data Scientist(★★)
:Assistant Data Scientist(★)
※★の数はスキルレベルを示します。
※独り立ちレベルより上位レベルは、必ずしも一人が全てのスキルを有する必要はな
いと考えています。全体を俯瞰してコーディネートする人材は必要ですが、個別の
スキルに秀でた人とのチームを組成し、実務にあたることも現実的には多いと思っ
ています。
www .d a ta sc ien t i st. or . j p
〒108-0071 東京都港区白金台 3-2-10 白金台ビル
Tel:03-6721-9001 Fax:050-3153-1219
スキルチェックリストの見方と活用方法
データサイエンティストのスキルセット(ビジネス力/データサイエンス力/データ
エンジニアリング力)と4段階のスキルレベルにあわせ、各象限におけるデータサイエ
ンティストに必要とされるスキルセットについて、チェックリストを整理しています。
・3つの領域別に判定します。
・”必須”に◯がついているものは、「判定基準を満たしていても、これができな
いとそのレベルとは認められないもの」として設定しています。
・各レベルの判定基準の目安は、「Full Data Scientist」が 50%、「Associate
Data Scientist」が 60%、「Assistant Data Scientist」が 70%を想定しています。
スキルチェックリストは、人材育成や組織マネジメントなどで活用可能です。
・データサイエンティストのスキルレベルの現状把握や、現状から見た強み・弱みの
把握
・今後のキャリアアップに向けて、どのような点を強めていけばよいかの把握など
・データサイエンス組織のマネジメントにおける上記育成観点や、採用など
■データサイエンティストのスキル定義の概要
(2014 年 12 月 10 日発表 プレスリリース「データサイエンティスト協会、データサ
イエンティストのミッション、スキルセット、定義、スキルレベルを発表
(http://www.datascientist.or.jp/news/2014/pdf/1210.pdf)」より
データサイエンティストに求められるスキルセット:「ビジネス(business problem
solving)力」、「データサイエンス(data science)力」、「データエンジニアリ
ング(data engineering)力」
「データの持つ力を解き放つ」というデータサイエンティストのミッションを踏ま
え、データサイエンティストに求められるスキルセットは3つあると考えています。
・ビジネス(business problem solving)力:課題背景を理解した上で、ビジネス課
題を整理し、解決する力
・データサイエンス(data science)力:情報処理、人工知能、統計学などの情報科
学系の知恵を理解し、使う力
・データエンジニアリング(data engineering)力:データサイエンスを意味のある
形に使えるようにし、実装、運用できるようにする力
www .d a ta sc ien t i st. or . j p
〒108-0071 東京都港区白金台 3-2-10 白金台ビル
Tel:03-6721-9001 Fax:050-3153-1219
図1:データサイエンティストに求められるスキルセット
データサイエンティストに求められるスキルセット
ビジネス
(business problem
solving)力
データ
サイエンス
(data science)力
情報処理、人工知
能、統計学などの
情報科学系の知恵
を理解し、使う力
課題背景を理解した上で、
ビジネス課題を整理し、
解決する力
データ
エンジニアリング
(data
engineering)力
データサイエンスを
意味のある形に使える
ようにし、実装、運用
できるようにする力
Source: The Japan Data Scientist Society discussios
※この3つのスキルはどの一つが欠けてもいけません。また、この3つのスキルは
課題解決のフェーズによって中心となるスキルが変化します。(図2参照)
図2:課題解決の各フェーズで要求されるスキルセットのイメージ
課題解決の各フェーズで要求されるスキルセットのイメージ
ビジネス力
データ
サイエンス力
目的・テーマ設定
問題定義
アプローチの設計
処理・分析
解決
Source: The Japan Data Scientist Society discussios
www .d a ta sc ien t i st. or . j p
データ
エンジニアリング力
〒108-0071 東京都港区白金台 3-2-10 白金台ビル
Tel:03-6721-9001 Fax:050-3153-1219
データサイエンティストの定義
必要なスキルセットの検討の結果、これからの時代に求められるデータサイエンティ
ストを次のように定義しました。
「データサイエンティストとはデータサイエンス力、データエンジニアリング力を
ベースにデータから価値を創出し、ビジネス課題に答えを出すプロフェッショナル」
※ここで「ビジネス」とは社会に役に立つ意味のある活動全般を指します。
※プロフェッショナルとは、体系的にトレーニングされた専門性を持つスキルを持ち、
それをベースに顧客(お客様、クライアント)にコミットした価値を提供し、その
結果に対して認識された価値の対価として報酬を得る人を示します。
www .d a ta sc ien t i st. or . j p
〒108-0071 東京都港区白金台 3-2-10 白金台ビル
Tel:03-6721-9001 Fax:050-3153-1219
●スキル委員会 委員一覧(2015 年 11 月現在、敬称略)
企業名
委員長
ヤフー株式会社
副委員長
株式会社電通
株式会社 ALBERT
SAS Institute Japan 株式会社
株式会社インテリジェンス
株式会社インテリジェンス
株式会社タクミインフォメー
ションテクノロジー
株式会社チェンジ
株式会社大和総研
データ・フォアビジョン株式
会社
デジタル・アドバタイジン
グ・コンソーシアム株式会社
委員
株式会社電通
日本アイ・ビー・エム株式会
社
日本サード・パーティ株式会
社
株式会社日立インフォメーシ
ョンアカデミー
株式会社日立インフォメーシ
ョンアカデミー
三菱電機インフォメーション
システムズ株式会社
ヤフー株式会社
ヤフー株式会社
部署・役職
CSO(チーフストラテジーオフィサ
ー)
統合データ・ソリューションセンター
データ・マネジメント部部長
取締役会長
カスタマーサービス本部エデュケーシ
ョングループ エデュケーション
マネージャ
キャリアディビジョンマーケティング
企画統括部 データアナリティクス部
マネジャー
キャリアディビジョンマーケティング
企画統括部 データアナリティクス部
氏名
安宅 和人
佐伯 諭
山川 義介
村上 元親
大江 信明
山之下 拓仁
システム開発推進部
原茂 恵美子
取締役
スキルアップ推進部 次長
データ・サイエンス本部
本部長補佐
プロダクト開発本部
ビッグデータ解析部 部長
統合データ・ソリューションセンター
データ・マネジメント部
テクニカルリーダーシップ 成長イニシ
アチブ推進 ビジネス・アナリティクス
コンサルタント
教育コンサルティング部
テクニカルマネージャ
高橋 範光
松島 寛
サービス企画部 主任技師
田中 貴博
ビジネス研修部 技師
大黒 健一
産業・サービス事業本部 ITコンサル
ティング部
データ&サイエンスソリューション統
括本部 データ&サイエンスディレクタ
ー
データ&サイエンスソリューション統
括本部 データインフラ本部 本部長
www .d a ta sc ien t i st. or . j p
福本 信吾
薩摩 定壮
猪飼 嘉男
守谷 昌久
関口 大五郎
尾崎 隆
小間 基裕
佐々木 潔
〒108-0071 東京都港区白金台 3-2-10 白金台ビル
Tel:03-6721-9001 Fax:050-3153-1219
●一般社団法人データサイエンティスト協会について http://www.datascientist.or.jp/
データサイエンティスト協会は、新しい職種であるデータサイエンティストに必要と
なるスキル・知識を定義し、育成のカリキュラム作成、評価制度の構築など、高度 IT
人材の育成と業界の健全な発展への貢献、啓蒙活動を行っています。また、所属を超
えてデータ分析に関わる人材が開かれた環境で交流や議論をし、自由に情報共有や意
見発信ができる場を提供しています。2015 年 11 月現在、50 社 6 団体の法人会員と約
3,050 名の一般(個人)会員が参画しています。代表理事:草野 隆史(株式会社ブレ
インパッド 代表取締役会長)、所在地:東京都港区、設立:2013 年 5 月。
以上
<本件に関するお問い合わせ先>
●本件に関するお問い合わせ
一般社団法人データサイエンティスト協会
事務局
TEL: 03-6721-9001 e-mail: [email protected]
●報道関係の方からのお問い合わせ
一般社団法人データサイエンティスト協会
事務局 広報担当
TEL: 03-6721-9001 e-mail: [email protected]
*本プレスリリースに記載されている会社名・商品名は、それぞれの権利者の商標または登録商標で
す。
*本プレスリリースに掲載されている情報は、発表日現在の情報です。
www .d a ta sc ien t i st. or . j p
データサイエンティストのスキルレベル
ビジネス(business problem solving)力
データサイエンス(data science)力
データエンジニアリング(data engineering)力
・業界を代表するデータプロフェッショナルとして、組織全体や
①Senior
Data Scientist
業界を代表するレベル
市場全体レベルでのインパクトを産み出すことができる
・データサイエンスにおける既存手法の限界を打ち破り、新た
-対象とする事業全体、産業領域における課題の切り分け、論点の
に課題解決可能な領域を切り拓いている
明確化・構造化
-既存手法では対応困難な課題に対する新規の分析アプローチ
-新たなデータ分析、解析、利活用領域の開拓
の開発・実践・横展開
-組織・会社・産業を横断したデータコンソーシアムの構築、推進
-高難度の分析プロジェクトのアプローチ設計、推進、完遂能
-事業や産業全体に対するデータ分析を核としたバリューチェーン創出
力など
・データサイエンス領域で行おうとしている分析アプローチを、
挑戦的な課題であっても安定的に実現できる
-複数のデータソースを統合した例外的規模のデータシステム、
もしくはデータプロダクトの構築、全体最適化
-技術的限界を熟知し、これまでにない代案の提示・実行 など
など
・生み出す価値にコミットするプロフェッショナルとして、データ
サイエンティストとは何かを体現したビジネス判断、課題解決ができる
②Full
・数十億レコード程度の分析環境の要件定義・設計、データ
・初見の事業領域に向かい合う場合や、スコープが複数の事業にまた
・予測、グルーピング、機械学習、大量データの可視化、言語
がる場合であっても本質的な課題や変数を見出し、構造化し、適切な
処理などの応用的なデータサイエンス関連のスキルを活かし、
分析・解析アプローチを設計、実行することができる
データ分析プロジェクトの技能的主軸を担うことができる
・解決に必要な結果を総合した上で、説得力ある形で共有し、関連す
・複数もしくは高度な分析プロジェクトを持つチームにおいて、
る組織、人を動かし、知見の横展開、組織を超えるつなぎ込みができる
Associate Data Scientist(独り立ちレベル)以下のメンバー
Data Scientist
棟梁レベル
の技能を育成することができる
収集/蓄積/加工/共有プロセスやITセキュリティに関するデー
タエンジニアリング関連のスキルを活かし、データ分析プロ
ジェクトを中核的に推進することができる
・複数もしくは高度な分析プロジェクトを持つチームにおいて、
Associate Data Scientist(独り立ちレベル)以下のメンバー
の技能を育成することができる
・プロフェッショナルからなる複数のチームによるプロジェクトを推
進し、全体としてのアウトプットにコミットできると共に、メンバー
を育成、さらには持続的な育成システムを作りだすことができる
・大半のケースで自立したプロフェッショナルとしてビジネス判断、課題
解決ができる
・既知の領域、テーマであれば、新規課題であっても解くべき問題の見極
めや構造化、その上での分析・解析アプローチの設計、実行、深掘りが
できる
③Associate
Data Scientist
・データ、分析結果に対する表面的な意味合いを超えた洞察力を持ち、
担当プロジェクトの検討結果を取りまとめ、現場への説明、実装を
自律的に行うことができる
独り立ちレベル
・5名前後のプロフェッショナルによるチームでのプロジェクトを
推進しアウトプットにコミットできる
-イシュードリブンでスピード感のある判断
-プロジェクトマネジメントと個別メンバーの育成
-異なるスキル分野の専門家、事業者との協働
など
・単一プロジェクトにおけるデータ分析をFull Data Scientist
(棟梁レベル)に相談しつつ推進できる
・Assistant Data Scientist(見習いレベル)の日々の活動に
適切な指示ができる
・基礎的な分析活動については、自律的に実施できる
-調査目的に合った標本抽出計画の立案
-多重(質問間)クロス表を駆使した洞察
-パラメトリックな2群の検定の活用(t検定)
-主成分分析や因子分析
-適切な学習データとテストデータの作成
-重回帰分析を用いた予測モデルの構築
-適切な初期値設定を行った非階層クラスター分析
-形態素解析などを用いた基本的文書構造解析
など
・単一プロジェクトにおけるデータ処理・環境構築をFull
Data Scientist(棟梁レベル)に相談しつつ推進できる
・Assistant Data Scientist(見習いレベル)の日々の活動に
適切な指示ができる
・数千万レコード程度のデータ処理・環境構築については自
律的に実施できる
-データの重要性や分析要件に則したシステム要件定義
-適切なデータフロー図、論理データモデル作成
-Hadoopでの管理対象データ選定
-SQLの構文理解と実行
-分析プログラムのロジック理解と分析結果検証
など
・データ匿名化方法の理解と加工処理の設計ができる
・ビジネスにおける論理とデータの重要性を理解したデータプロフェッ
ショナルとして行動規範と判断が身についている
・データやデータベースに関する基礎知識を有している
-データを取り扱う倫理と法令の理解
・統計数理の基礎知識を有している
-構造化/非構造化データの判別、論理モデル作成
-引き受けたことは逃げずにやり切るコミットメント
(代表値、分散、標準偏差、正規分布、条件付き確率、母集団、
-ER図やテーブル定義書の理解
など
相関など)
-SDKやAPIの概要理解
・データドリブンな分析的アプローチの基本が身についており、仮説や
・データ分析の基礎知識を有している
など
既知の問題が与えられた中で、必要なデータを入手し、分析、取りまと
-検定(帰無仮説、対立仮説‥)
・数十万件程度のデータ加工技術を有している
④Assistant
めることができる
-分類(教師あり分類、教師なし分類‥)
-ソート、クレンジング、集計、フィルタリングができる
Data Scientist
-データや事象のダブリとモレの判断力
-予測(回帰係数、標準誤差‥)
-SQLで簡単なSELECT文を記述・実行できる
見習いレベル
-分析前の目的、ゴール設定
など
-設計書に基き、プログラム実装できる
-分析の意味合い出しと言語化、取りまとめ
・適切な指示のもとに、以下を実施できる
・適切な指示のもとに、以下を実施できる
など
-基本統計量や分布の確認、および前処理(外れ値・異常値・
-同種のデータを統合するシステムの設計
欠損値の除去・変換や標準化など)
-インポート、レコード挿入、エクスポート
-目的に即したデータ入手と集計、分析
・担当する検討領域についての基本的な課題の枠組みを理解、説明できる
-前処理後のデータに対し、抽出、集計、可視化(ヒストグ
-ビジネスモデルと主要プレーヤー
ラム、散布図など)
-基本的なビジネスフレームワーク
・セキュリティの基礎知識を有している
(機密性、可用性、完全性の3要素など)
など
DS以前の方
・基本統計量の意味を正しく理解していない
・レポートされてくる数値サマリに目は通すが、特に記憶には
・ビジネスは勘と経験だけで回すものだと思っている
・指数を指数で割り算したりする
残らない
・課題を解決する際に、そもそも定量化する意識が無い
・「平均年収」をそのまま鵜呑みにしたりする
・アクセス解析システムを使っていない
・グラフ・チャートの使い方が不適切
・ExcelやAccessは数字しか入れない
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved
データサイエンティスト スキルチェックリスト
「データサイエンティスト スキルチェックリスト」は、データサイエンティストに必要とされるスキルをチェックリスト化したものです。
チェックリスト内の各項目のスキルレベルは、★の数によって示し、見習いレベル(Assistant Data Scientist)~ 棟梁レベル(Full Data
Scientist)までを判定します。
スキルレベル
判定基準
① Senior Data Scientist( 業界を代表するレベル) ★★★★
② Full Data Scientist (棟梁レベル) -
★★★ ★★★の全項目のうち、50%を満たしている。
③ Associate Data Scientist(独り立ちレベル) ★★ ★★の全項目のうち、60%を満たしている。
④ Assistant Data Scientist (見習いレベル) ★ ★の全項目のうち、70%を満たしている。
※「必須スキル」に◯がついている項目は、判定基準を満たしていても、この項目が達成されていないとそのレベルとは認められない項目と
して設定しています。
※ 独り立ちレベル以上のレベルは、下位のレベルを満たしていることが前提となります。
*引用・改変時の注意事項
・チェックリストを引用される場合「一般社団法人データサイエンティスト協会 スキルチェックリストより引用」と引用元を明示願います。
その他については著作権法に従っての引用を願います。
・チェックリストを改変された場合「一般社団法人データサイエンティスト協会 スキルチェックリストを改変」と改変した旨、明示願います。
スキルカテゴリ一覧
項目数
項目数
データサイエンス力
1 統計数理基礎
14 データエンジニアリング力
1 環境構築
19
(項目数:180)
2 予測
16 (項目数:119)
2 データ収集
12
3 検定/判断
11
3 データ構造
11
4 グルーピング
13
4 データ蓄積
16
5 性質・関係性の把握
11
5 データ加工
13
6 サンプリング
4
6 データ共有
13
7 データ加工
8
7 プログラミング
20
8 Data visualization
36
8 ITセキュリティ
15
9 機械学習
19 ビジネス力
1 行動規範
11
2 論理的思考
18
3 プロセス
20
26
7 (項目数:123)
10 時系列分析
11 言語処理
10
12 画像処理
6
4 データの理解・検証
13 音声処理
5
5 データ入手
14 パターン発見
3
6 意味合いの抽出、洞察
16 グラフィカルモデル
3
7 解決
4
17 統計数理応用
4
8 事業に実装する
8
18 シミュレーション/データ同化
3
9 活動マネジメント
19 最適化
7
6
項目数合計
10
20
422
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
データサイエンス力
Total:
54
★★:
68
★★★:
No
Sub
スキルカテゴリ
No
スキルレベル
データサイエンス力:チェック項目
サブカテゴリ
180
★:
58
必須スキル
1
1
統計数理基礎
★
統計数理基礎
2
2
統計数理基礎
★
統計数理基礎
3
3
統計数理基礎
★
統計数理基礎
順列と組合せの式をP、C、m、nを用いて表せる
◯
4
4
統計数理基礎
★
統計数理基礎
条件付き確率の意味を説明できる
◯
5
5
統計数理基礎
★
統計数理基礎
平均(相加平均)、中央値、最頻値の算出方法の違いを説明できる
◯
6
6
統計数理基礎
★
統計数理基礎
母集団データ(3,4,5,5,7,8)の分散と標準偏差を電卓を用いて計算できる
◯
7
7
統計数理基礎
★
統計数理基礎
母(集団)平均が標本平均とは異なることを説明できる
◯
8
8
統計数理基礎
★
統計数理基礎
標準正規分布の分散と平均がいくつかわかる
◯
9
9
統計数理基礎
★
統計数理基礎
相関関係と因果関係の違いを説明できる
◯
10
10
統計数理基礎
★
統計数理基礎
名義尺度、順序尺度、間隔尺度、比例尺度の違いを説明できる
◯
11
11
統計数理基礎
★
統計数理基礎
一般的な相関係数(ピアソン)の分母と分子を説明できる
◯
12
12
統計数理基礎
★
統計数理基礎
代表的な確率分布の特徴を5つ以上説明できる
◯
13
13
統計数理基礎
★
統計数理基礎
変数が量的、質的どちらの場合の関係の強さも算出できる
◯
14
1
予測
★
予測
単回帰分析について最小二乗法、回帰係数、標準誤差の説明ができる
15
2
予測
★★
予測
16
3
予測
★★
予測
17
4
予測
★★
予測
18
5
予測
★★
予測
19
6
予測
★★
予測
20
7
予測
★★
予測
21
8
予測
★★★
予測
22
9
予測
★★★
予測
23
10
予測
★★★
予測
24
11
予測
★★★
予測
25
12
予測
★★★
予測
26
13
予測
★★★
予測
1+4+9+16+25+36をΣを用いて表せる
loga(x) の逆関数を説明できる
◯
◯
重回帰分析において偏回帰係数と標準偏回帰係数、重相関係数について説明
できる
重回帰や判別を実行する際に変数選択手法の特徴を理解し、適用できる
ニューラルネットワークの基本的な考え方を理解し、出力される「ダイアグ
ラム」の入力層、隠れ層、出力層の概要を説明できる
重回帰分析において多重共線性の対応ができ、適切に変数を評価・除去して
予測モデルが構築できる
◯
決定木分析においてCHAID、C5.0などのデータ分割のアルゴリズムの特徴を
理解し、適切な方式を選定できる
線形回帰分析が量的なを予測するのに対して、ロジスティック回帰分析は何
を予測する手法か(発生確率予測など)を説明でき、実際に使用できる
予測アルゴリズムに応じ、目的変数と説明変数に対する必要な変数加工処理
が設計、実施できる
予測モデル構築において頑健性を維持するための具体的な方法を設計、実施
できる
過学習(正則化)の意味を説明ができ、回避する方法の設計・実施ができる
尤度と最尤推定についての説明できる(尤度関数、ネイマンの分解定理、順
序統計量)
(モデルに交互作用が含まれていないとき)回帰パラメータとオッズ比の関
係について説明できる
ロジスティック回帰分析を行う際に、最小2乗法ではなく最尤法を使う際の
利点(回帰誤差が近似的に正規分布しなくても適用できるなど)を説明し、
適用することができる
目的(予測・真のモデル推定など)に応じて、適切な損失関数とモデル選択
27
14
予測
★★★
予測
基準(AIC(赤池情報量規準)、BIC(ベイズ情報量規準)、MDL
(最小記述長)など)を選択し、モデル評価ができる
28
15
予測
★★★
予測
29
16
予測
★★★
予測
データと分析要件から、モデル精度のモニタリング設計・実施と劣化が見込
まれるモデルに対するリモデルの設計ができる
分析要件に応じ、量的予測のためのモデリング手法(重回帰、決定木、
ニューラルネットワークなど)の選択とパラメータ設定、結果の評価、
チューニングを適切に設計・実施・指示できる
30
1
検定/判断
★
検定/判断
点推定・区間推定の意味を理解している
1/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
Sub
No
スキルカテゴリ
スキルレベル
データサイエンス力:チェック項目
サブカテゴリ
31
2
検定/判断
★
検定/判断
帰無仮説・対立仮説の意味を理解している
32
3
検定/判断
★
検定/判断
第1種の過誤、第2種の過誤、p値、有意水準の意味を理解している
33
4
検定/判断
★
検定/判断
片側検定、両側検定の意味を理解している
34
5
検定/判断
★
検定/判断
対応のあるデータ、対応のないデータの意味を理解している
35
6
検定/判断
★
検定/判断
平均値、分散、平均値の差の検定手法を知っている
36
7
検定/判断
★★
検定/判断
t検定を理解して、パラメトリックな2群の検定を活用することができる
37
8
検定/判断
★★
検定/判断
38
9
検定/判断
★★
検定/判断
39
10
検定/判断
★★
検定/判断
40
11
検定/判断
★★
検定/判断
41
1
グルーピング
★
グルーピング
教師あり分類と教師なし分類の違いを説明できる
42
2
グルーピング
★
グルーピング
判別分析とクラスター分析の概要や使い方を説明できる
43
3
グルーピング
★
グルーピング
階層クラスター分析と非階層クラスタ-分析の違いを理解している
44
4
グルーピング
★
グルーピング
クラスター分析のデンドログラムの見方が分かり、適切に解釈できる
45
5
グルーピング
★★
グルーピング
46
6
グルーピング
★★
グルーピング
必須スキル
◯
◯
様々な分散分析の考え方(一元配置、多重比較、二元配置)を理解して、パ
ラメトリックな多群の検定を活用することができる
ウィルコクソン検定(マンホイットニーのU検定)を理解して、ノンパラメ
トリックな2群の検定を活用することができる
クラスカル・ウォリス検定を理解して、ノンパラメトリックな多群の検定を
活用することができる
カイ二乗検定、フィッシャーの直接確率検定を理解して、分割表における群
間の関連性の検定を活用することができる
◯
非階層クラスター分析において、分析目的に合致したクラスター数を決定す
ることができる
階層クラスター分析における代表的なクラスター間距離(群平均法、Ward
法、最長一致法など)の概念を理解し、分析内容に応じて最適な手法を選択
して、分析ができる
47
7
グルーピング
★★
グルーピング
48
8
グルーピング
★★
グルーピング
49
9
グルーピング
★★
グルーピング
50
10
グルーピング
★★★
グルーピング
51
11
グルーピング
★★★
グルーピング
52
12
グルーピング
★★★
グルーピング
各種距離関数(ユークリッド距離、マンハッタン距離、cos類似度など)を
理解し、分析内容に応じて、適切なものを選択し分析ができる
分析内容に応じて、線形か非線形を使い分けた判別分析ができる
k-means法は局所最適解であるため初期値問題があることを理解し、適切な
初期値を設定して分析を行える
◯
距離の公理を知っており、距離の公理を満たさない場合([1-cos類似度]
など)のクラスター分析を適切に行える
k-meansの派生手法(x-means、k-means++、ファジィk-meansなど)を
理解し、分析内容に応じた適切な手法を選択して、分析ができる
k-meansとカーネルk-means(非線形クラスタリング)、スペクトラルクラ
スタリングの違いを理解し、分析内容に応じて、適切な手法を選択して、分
析ができる
自己組織化マップ(SOM)、Affinity Propagation、混合分布モデル、ディ
53
13
グルーピング
★★★
グルーピング
リクレ過程混合モデルを理解し、分析内容に応じて適切な手法を選択して、
分析ができる
54
1
性質・関係性の把握
★
性質・関係性の把握
55
2
性質・関係性の把握
★
性質・関係性の把握
56
3
性質・関係性の把握
★
性質・関係性の把握
57
4
性質・関係性の把握
★★
性質・関係性の把握
58
5
性質・関係性の把握
★★
性質・関係性の把握
主成分分析と因子分析の違いや使い分けを説明できる
59
6
性質・関係性の把握
★★
性質・関係性の把握
正準相関分析を説明、活用できる
60
7
性質・関係性の把握
★★
性質・関係性の把握
61
8
性質・関係性の把握
★★
性質・関係性の把握
因子分析における、因子負荷量や因子軸の回転について説明できる
62
9
性質・関係性の把握
★★
性質・関係性の把握
コレスポンデンス(対応)分析と数量化3類との関係を説明できる
適切なデータ区間設定でヒストグラムを作成することができる
何でクロスするかを判断して、表側を設定しクロス集計表を作成することが
できる
量的変量の散布図を描き、2変数の関係性を把握することができる
多重(質問間)クロス表などを駆使して、データから適切なインサイトを得
ることができる
正規分布を前提とした多変量解析において、分析の目的と用いるデータの種
類から適切な手法を選択できる
2/20
◯
◯
◯
◯
◯
◯
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
Sub
No
スキルカテゴリ
スキルレベル
データサイエンス力:チェック項目
サブカテゴリ
63
10
性質・関係性の把握
★★
性質・関係性の把握
64
11
性質・関係性の把握
★★
性質・関係性の把握
65
1
サンプリング
★
サンプリング
標本誤差とは何かを説明できる
66
2
サンプリング
★
サンプリング
実験計画法の概要を説明でできる
67
3
サンプリング
★★
サンプリング
68
4
サンプリング
★★
サンプリング
属性数と水準数が決まれば適切な直交表を選択し実験計画ができる
69
1
データ加工
★
データ加工
名義尺度の変数をダミー変数に変換できる
70
2
データ加工
★
データ加工
標準化とは何かを知っていて、適切に標準化が行える
71
3
データ加工
★
データ加工
72
4
データ加工
★
データ加工
73
5
データ加工
★★
データ加工
74
6
データ加工
★★
データ加工
75
7
データ加工
★★
データ加工
76
8
データ加工
★★★
データ加工
77
1
Data visualization
★
方向性定義
78
2
Data visualization
★★
方向性定義
必須スキル
コンジョイント分析を用いて効用値と寄与率のグラフを描くことができる
適切な類似度を設定した上で、多次元尺度構成法を用いてポジショニング
マップを描くことができる
分析に最低限必要な標本サイズを設定など、調査目的に合った標本抽出計画
を立案できる
外れ値・異常値・欠損値とは何かそれぞれ知っていて、指示のもと適切に検
出と除去・変換などの対応ができる
◯
◯
指示のもと、加工済データに分析上の不具合がないか検証できる
各変数の分布・欠損率などを踏まえて、外れ値・異常値・欠損値の対応を決
定できる
◯
分析要件や各変数の分布などを踏まえて、必要に応じて量的変数のカテゴラ
イズを設計・実行できる
加工データに不具合がないか自分でテストを設計し、検証できる
加工データの統計的な俯瞰によって不具合の早期発見ができるとともに、統
計的観点で次ステップの解析に耐えうるデータであるか評価できる
単に現場の作業支援する場合から、ビッグデータ中の要素間の関連性をダイ
ナミックに表示する場合まで、可視化の目的の広がりについて理解している
特異点を明確にする、データ解析部門以外の方にデータの意味を正しく伝え
る、現場の作業を支援するといった可視化の役割・方向性を判別できる
データ量が膨大で構造が捉えにくい場合や、アウトプットが想像しにくい場
79
3
Data visualization
★★★
方向性定義
合であっても、可視化の役割・方向性を判断できる(ビッグデータ中の要素
間の関連性をダイナミックに表現する、細部に入りきらずに問に対して答え
を出すなど)
80
4
Data visualization
★
軸だし
81
5
Data visualization
★
軸だし
82
6
Data visualization
★★
軸だし
83
7
Data visualization
★★
軸だし
84
8
Data visualization
★★★
軸だし
85
9
Data visualization
★
データ加工
86
10
Data visualization
★★
データ加工
87
11
Data visualization
★★
データ加工
88
12
Data visualization
★★★
データ加工
散布図などの軸だしにおいて、縦軸・横軸の候補を適切に洗い出せる
積み上げ縦棒グラフでの属性の選択など、適切な層化(比較軸)の候補を出
せる
抽出したい意味にふさわしい軸・層化の粒度、順番を考慮して軸のきざみや
層化方法を選択できる
膨大な属性を持つテーブルから目的に有用な属性を選択できる
非構造データから分析の軸になりうる候補を抽出し、付加すべき属性候補を
適切に出せる
サンプリングやアンサンブル平均によってデータ量を減らして可視化できる
データの持つ分散量の観点で、高次のデータを主成分分析(PCA)などによ
り1~3次元のデータに変換できる
データの持つ特徴を統計量を使って効果的に可視化できる
非線形(高次の曲線、渦状の分布など)のデータであっても、高次のデータ
の次元を、次元圧縮(1~3次元のデータに変換)して、特徴(データの総分
散量および各データの位置関係)を損なわずに可視化できる
ネットワーク構造、グラフ構造などの表現において、ノードとエッジが増え
89
13
Data visualization
★★★
データ加工
すぎて特徴抽出が困難であっても、データの絞り込みや抽象度を上げること
で適切に可視化できる
データ量が膨大(ペタバイト以上)なために、処理しきれず描画できない規
90
14
Data visualization
★★★
データ加工
模のデータに対しても、適度なデータや情報の抽出(間引き)、クラスタリ
ングなどにより可視化しうる状態にデータを加工できる
91
15
Data visualization
★★★
データ加工
92
16
Data visualization
★★★
データ加工
93
17
Data visualization
★
表現・実装技法
大規模なデータへのリアルタイムな可視化が求められる場合であっても、特
異点の抽出や次元圧縮を通じてデータを圧縮し、リアルタイム表示できる
大規模なデータへのリアルタイムな可視化が求められる場合であっても、
データの分割転送、復元を通じて可視化できる
適切な情報濃度(データインク比、データ濃度の概念)を理解し判断できる
3/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
Sub
No
スキルカテゴリ
スキルレベル
データサイエンス力:チェック項目
サブカテゴリ
94
18
Data visualization
★
表現・実装技法
95
19
Data visualization
★
表現・実装技法
96
20
Data visualization
★
表現・実装技法
97
21
Data visualization
★
表現・実装技法
98
22
Data visualization
★
表現・実装技法
99
23
Data visualization
★★
表現・実装技法
100
24
Data visualization
★★
表現・実装技法
101
25
Data visualization
★★
表現・実装技法
102
26
Data visualization
★★
表現・実装技法
103
27
Data visualization
★★
表現・実装技法
104
28
Data visualization
★★★
表現・実装技法
105
29
Data visualization
★★★
表現・実装技法
106
30
Data visualization
★
意味抽出
107
31
Data visualization
★
意味抽出
108
32
Data visualization
★
意味抽出
109
33
Data visualization
★★
意味抽出
110
34
Data visualization
★★★
意味抽出
111
35
Data visualization
★★★
意味抽出
112
36
Data visualization
★★★
意味抽出
113
1
機械学習
★
機械学習
114
2
機械学習
★
機械学習
115
3
機械学習
★★
機械学習
必須スキル
不必要な誇張をしないための軸表現の基礎を理解できている(コラムチャー
トのY軸の基準点は「0」からを原則とし軸を切らないなど)
強調表現がもたらす効果を理解している(計量データに対しては位置やサイ
ズ表現が色表現よりも効果的など)
1~3次元の比較において目的(比較、構成、分布、変化など)に応じた図表
化ができる
端的に図表の変化をアニメーションで可視化できる(人口動態のヒストグラ
ムが経年変化する様子を表現するなど)
データ解析部門以外の方に、データの意味を伝えるサインとしての可視化が
できる
1~3次元の図表を拡張した多変量の比較(平行座標、散布図行列、テーブル
レンズ、ヒートマップなど)を適切に可視化できる
ネットワーク構造、グラフ構造、階層構造などの統計的な関係性の可視化が
できる
GPSデータなどを平面地図上に重ね合わせた可視化ができる
挙動・軌跡の可視化ができる(店舗内でのユーザの回遊やEye trackingな
ど)
適切な情報(意味)を押さえたうえで、デザイン性を高めるための要件提示
ができる
人体、標高を持つ地図、球面などの上にデータを重ね合わせた可視化ができ
る
地図上で同時に動く数百以上のポイントにおける時間変化を動的に表現でき
る(多地点での風の動き、飛行物の軌跡など)
データの性質を理解するために、データを可視化し眺めて考えることの重要
性を理解している
外れ値を見い出すための適切な表現手法を選択できる
データの可視化における基本的な視点を理解している(特異点、相違性、傾
向性、関連性を見出すなど)
統計値(代表値の指標、バラツキの指標、有意性の指標、関係式)を正しく
読み、回帰式や移動平均線に意味付けできる
分類系の分析において、分布傾向から原因を追究、活用(分類に応じたDM
発送による反応率の向上など)、ドリルダウンを計画し主導できる
予測系の分析において、関連性、特異点、変曲点から原因を追究、活用(予
測結果に基づく発注管理など)を計画し主導できる
関連系の分析において関連が高い/低い原因、活用(リコメンドなど)、ドリ
ルダウンを計画し主導できる
機械学習にあたる解析手法(Random Forestなど)の名称を3つ以上知って
おり、手法の概要を理解している
指示を受けて機械学習のモデルを使用したことがあり、どのような問題を解
決することができるか理解している
「教師あり学習」「教師なし学習」「強化学習」の違いを理解しており、
データの内容や学習手法に応じて適切な学習データとテストデータを作成で
◯
きる
116
4
機械学習
★★
機械学習
決定木とRandomForestの違いを説明できる
117
5
機械学習
★★
機械学習
ROCカーブを用いてモデルの精度を評価できる
118
6
機械学習
★★
機械学習
混同行列(正誤分布のクロス表)を用いてモデルの精度を評価できる
119
7
機械学習
★★
機械学習
120
8
機械学習
★★
機械学習
121
9
機械学習
★★
機械学習
行列分解(非負値行列因子分解、特異値分解)をツールを使って実行でき、
その結果を正しく解釈できる
サポートベクターマシンによる分析を、統計解析ツールを使って実行でき、
その結果を解釈できる
アンサンブル学習(Random Forest、勾配ブースティングマシン、バギン
グ)による分析を、統計解析ツールを使って実行でき、その結果を正しく解
釈できる
122
10
機械学習
★★
機械学習
123
11
機械学習
★★★
機械学習
124
12
機械学習
★★★
機械学習
125
13
機械学習
★★★
機械学習
ニューラルネットワークによる分析を、統計解析ツールを使って実行でき、
その結果を正しく解釈できる
行列分解(非負値行列因子分解、特異値分解)を、目的に応じてパラメータ
を最適化して分析できる
課題やデータ型に応じて、サポートベクターマシンの適切なモデルを選定
し、目的に応じてアルゴリズムの調整や設計ができる
課題やデータ型に応じて、アンサンブル学習(Random Forest、勾配ブース
ティングマシン、バギング)の適切なモデルを選定し、目的に応じてアルゴ
リズムの調整や設計ができる
4/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
Sub
No
スキルカテゴリ
スキルレベル
データサイエンス力:チェック項目
サブカテゴリ
必須スキル
Deep Learning(深層学習)の適切なモデルを選定し、目的に応じてアルゴ
126
14
機械学習
★★★
機械学習
127
15
機械学習
★★★
機械学習
128
16
機械学習
★★★
機械学習
129
17
機械学習
★★★
機械学習
130
18
機械学習
★★★
機械学習
機械学習等の最新の論文を理解し、必要とあれば自分で実装し追試できる
131
19
機械学習
★★★
機械学習
バイアスとバリアンスの関係を理解し、モデル選定を適切に行える
132
1
時系列分析
★
時系列分析
133
2
時系列分析
★★
時系列分析
134
3
時系列分析
★★
時系列分析
リズムの調整や設計ができる
モデル選択のための汎化能力評価(汎化誤差の推定)を、ホールドアウト
法、交差確認法、一つ抜き法、ブートストラップ法を用いて行える
正則化(誤差関数に正則化項を追加することで、モデルの複雑度・自由度を
抑制する)を利用して、過学習を防ぐことができる
高次元データの取り扱いについて、次元の呪いを考慮し適切に次元削減でき
る
時系列データについて説明ができる(時系列グラフ、周期性、移動平均な
ど)
時系列データの時点差での相関関係を、系列相関やコレログラムを利用して
評価ができる
時系列データに対し、ツールを使用して、分析結果の比較を行い、適切なモ
デルを選択できる(自己回帰モデル、統合モデル、移動平均モデル、
ARIMA、SARIMAなど)
時系列分析の特徴(通常は、トレンドおよび季節成分を省いたランダム部分
135
4
時系列分析
★★
時系列分析
136
5
時系列分析
★★★
時系列分析
137
6
時系列分析
★★★
時系列分析
138
7
時系列分析
★★★
時系列分析
139
1
言語処理
★
言語処理
140
2
言語処理
★★
言語処理
141
3
言語処理
★★
言語処理
142
4
言語処理
★★
言語処理
143
5
言語処理
★★★
言語処理
144
6
言語処理
★★★
言語処理
145
7
言語処理
★★★
言語処理
146
8
言語処理
★★★
言語処理
147
9
言語処理
★★★
言語処理
148
10
言語処理
★★★
言語処理
149
1
画像処理
★
画像処理
150
2
画像処理
★★
画像処理
151
3
画像処理
★★★
画像処理
152
4
画像処理
★★★
画像処理
153
5
画像処理
★★★
画像処理
154
6
画像処理
★★★
画像処理
155
1
音声処理
★
音声処理
代表的な音声フォーマットの概要を理解している
156
2
音声処理
★★
音声処理
代表的な音声フォーマットを理解し、波形データの抽出をすることができる
157
3
音声処理
★★
音声処理
代表的な音声処理分野の概念を理解し、説明することができる
158
4
音声処理
★★★
音声処理
代表的な音声信号分析手法を理解し、使いこなすことができる
を、定常時系列として分析する手法であること)を理解している
状態空間モデルにおいて、カルマンフィルタを用いて、観測値から欠測値の
補間をし、予測モデルを構築できる
非線形・非ガウス型状態空間モデルにおいて、モンテカルロ・フィルタを用
いて、複雑な時系列システムの予測モデルを構築できる
ピリオドグラムにおいて、FFT(Fast Fourier Transform)など計算量を
抑制する方法により、ピリオドグラムの計算ができる
形態素解析や係り受け解析の概念を理解している
形態素解析や係り受け解析のツールを適切に使い、基本的な文書構造解析を
行うことができる
◯
TF-IDFやcos類似度などの基本的なアルゴリズムを使い、単語ベクトルの作
成や文書群の類似度計算を行うことができる
Precision、Recall、F値といった評価尺度を理解し、実際の精度評価を行う
ことができる
形態素解析・構文解析・固有表現抽出のアルゴリズムを理解し、使いこなせ
る
N-gram言語モデルの構築方法と代表的なスムージングアルゴリズムを理解
し、使いこなせる
索引型の全文検索の仕組み(転置インデックス、スコアリング、関連性
フィードバック)を理解し、使いこなせる
Trie、Suffix Arrayなどの代表的な高速文字列検索アルゴリズムを理解し、使
いこなせる
潜在的意味解析(LSA)の仕組みを理解し、使いこなせる
データの特性に合わせ、適切な言語処理アルゴリズムを選択し、誤り分析、
辞書作成などを行い、成果を最大化することができる
画像映像のデジタル表現の仕組みと代表的な画像映像フォーマットの概念を
理解している
主要な画像映像フォーマットの種類および特性を理解し、適切に使い分けた
り変換することができる
画像に対して、目的に応じた適切な色変換や補正、フィルタ処理などを行う
ことができる
問題に合わせてパターン検出や画像特徴抽出などの既存手法から適切なもの
を選択し、画像の処理や解析に用いることができる
オプティカルフローやトラッキング手法などにより映像中の人や物体の移動
を分析することができる
目的に合わせてショット検出、物体検出、行動認識などの手法を用い、映像
中の特定のイベントを効率よく検出することができる
5/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
Sub
No
スキルカテゴリ
スキルレベル
データサイエンス力:チェック項目
サブカテゴリ
必須スキル
目的に合わせて、音声認識のパラメータ調整や手法変更、
159
5
音声処理
★★★
音声処理
言語モデル・音響モデルの差し替えができ、音声認識の精度評価をすること
ができる
160
1
パターン発見
★★
パターン発見
161
2
パターン発見
★★
パターン発見
162
3
パターン発見
★★★
パターン発見
163
1
グラフィカルモデル
★★
グラフィカルモデル
164
2
グラフィカルモデル
★★
グラフィカルモデル
165
3
グラフィカルモデル
★★
グラフィカルモデル
166
1
統計数理応用
★
統計数理基礎
ベイズの定理を理解している
167
2
統計数理応用
★
統計数理応用
ボロノイ図の概念と活用方法を説明できる
168
3
統計数理応用
★★★
統計数理応用
空間的自己相関の手法を用いて空間的な類似性を数値化できる
169
4
統計数理応用
★★★
統計数理応用
170
5
統計数理応用
★★★
統計数理応用
171
1
172
2
173
3
シミュレーション/
データ同化
シミュレーション/
データ同化
シミュレーション/
データ同化
★★
★★★
★★★
条件Xと事象Yの関係性をリフト値を用いて評価できる
アプリオリアルゴリズムのアソシエーション分析の入力パラメータ値を調整
して出力件数を調整できる
レコメンデーション業務の要件から適切な協調フィルタリングロジック
(ユーザベース、アイテムベースなど)の選定を行うことができる
パス解析において、変数間の因果関係をパス図を用いて説明できる
ベイジアンネットワーク分析結果のネットワーク図から目的事象の同時確率
を算出できる
ツールを用いて共分散構造分析(構造方程式モデリング:SEM)を行い、因
果関係を説明できる
当該分野に則したベイズ統計に基づくアルゴリズムを理解し、モデルを構築
できる
ベイズ統計と頻度論による従来の統計との違いを、尤度、事前確率、事後確
率などの用語を用いて説明できる
シミュレーション/
離散型・連続型シミュレーションについて、説明できる
データ同化
(モンテカルロ、ヒストリカル、Agentベースなど)
シミュレーション/
データ同化(データを用いてシミュレーション内の不確実性を減少させる計
データ同化
算技法)の概念を理解している
シミュレーション/
データ同化
174
1
最適化
★★
最適化
175
2
最適化
★★
最適化
シミュレーションにおける問題を理解し、対処を考えることができる
(初期条件・境界条件・パラメータの不確実性、データ分布の不均一性、実
験計画の最適性など)
線形計画法について、説明することができる
連続最適化(制約なし)において、アルゴリズムを説明することができる
(ニュートン法、最急降下法など)
制約がある最適化問題において、代表的な組み合わせ解法の概念を説明する
176
3
最適化
★★
最適化
ことができる
(一般的な手法( Brute-force search、greedy algorithmなど)、ヒュー
リスティック(局所探索、山登りなど)、メタ解法(GA、TS、SAなど))
177
4
最適化
★★★
最適化
178
5
最適化
★★★
最適化
179
6
最適化
★★
最適化
180
7
最適化
★★
最適化
代表的な最適化問題に関して、モデリングを行い、ソルバーを使い、最適化
できる(ナップザック問題、ネットワークフロー問題、巡回路問題など)
ビジネス課題にあわせて、変数、目的関数、制約を定式化し、線形・非線形
を問わず、最適化モデリングができる
凸関数とは何かを説明でき、目的関数が凸関数で実行可能な領域が凸集合で
ある場合の数理計画法を凸計画法ということを理解している
複数のA/Bテストの統計的結果を踏まえ、デザイン等の最適化を行う手法を
回すことができる
6/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
データエンジニアリング力
Total:
39
★★:
43
★★★:
No
Sub
No
スキルカテゴリ
スキルレベル
データエンジニアリング力:チェック項目
サブカテゴリ
1
1
環境構築
★
システム運用
2
2
環境構築
★
システム運用
3
3
環境構築
★★
システム運用
119
★:
37
必須スキル
サーバー1~10台規模のシステム構築、システム運用を指示書があれば実行
できる
数十万レコードを持つデータベースのバックアップ・アーカイブ作成など定
常運用ができる
数千万レコードのデータを保持するシステムにおいてデータの重要性や分析
要件に則したシステム構築、初期データ投入方法、システム運用の要件定義
◯
が行える
4
4
環境構築
★★
システム運用
5
5
環境構築
★★
システム運用
6
6
環境構築
★★★
システム運用
7
7
環境構築
★★★
システム運用
8
8
環境構築
★
システム企画
9
9
環境構築
★
システム企画
10
10
環境構築
★★
システム企画
11
11
環境構築
★★
システム企画
12
12
環境構築
★★
システム企画
13
13
環境構築
★★★
システム企画
顧客管理など分析システムの運用(異常検知、フェイルオーバー、バック
アップ、リカバリ処理、開始・停止処理)の手順書作成や要件定義が行える
数千万レコードのデータを保持するシステムのキャパシティ要件(データ容
量)と必要処理性能(スループット)を定義できる
数十億レコードのデータに対してリバランシングなども含めてシステム拡張
方法や最適化の要件を整理できる
扱うデータのデータ規模や機密性、分析要件を理解した上で、オンプレミス
で構築するか、クラウド上で構築するかの要件を整理できる
データベースから何らかのデータ抽出方法を活用し、小規模なExcelのデータ
セット作成ができる
◯
オープンデータ活用目的でExcelを使った分析システムの要件定義が行える
HTTPを活用したオープンAPIと分析システムのサーバー環境及びデータベー
スの連携設計ができる
社内分析者向けのRDBMS、NoSQL、ETL、Visualizationなど単一コンポー
ネントのユーザー利用機能設計が行える
◯
ソフトウェア開発プロジェクトの管理方法、設計、テスト方法を理解した上
で、データ管理・分析システムを要求定義することができる
数十億レコードのデータに対してHiveとImpala、Sparkを組み合わせるなど
処理可能なデータ量の違うシステムを連携させ、処理性能とのトレードオフ
を調整できる
数十億規模の内部データ(CRM、webログ、ユーザー購買データ)、外部
14
14
環境構築
★★★
システム企画
データ(購入しているデータ、オープンデータ)を理解し、複数のデータ
ソースを統合する要件を整理できる
15
15
環境構築
★★★
システム企画
16
16
環境構築
★★★
システム企画
17
17
環境構築
★★★
システム企画
サービス上のそれぞれの機能がどのデータに関連があるか把握し、分析機能
追加やシステム変更の要件を整理できる
◯
KVS、カラム指向、ドキュメント指向などデータ構造の異なる複数のシステ
ムからデータ取得と分析環境への連携が設計できる
数十億規模のデータを持つ業務要件やリソース負荷に応じて、データフロー
や管理機構の統合、またバッチ実行スケジュールの最適化について要件定義
が行える
全体システム化計画及び個別システム化構想・計画を具体化するために、全
18
18
環境構築
★★★
アーキテクチャ設計
体最適の観点を持ちながら、対象とするデータ分析システムの開発に必要と
なる要件を整理することができる
環境構築
★★★
データ活用戦略を正しく理解し、各種業務プロセスについての専門知識とシ
19
19
20
1
データ収集
★
クライアント技術
21
2
データ収集
★★
クライアント技術
22
3
データ収集
★★
クライアント技術
23
4
データ収集
★★
クライアント技術
24
5
データ収集
★★★
クライアント技術
25
6
データ収集
★★★
クライアント技術
26
7
データ収集
★
通信技術
27
8
データ収集
★★
通信技術
28
9
データ収集
★★★
通信技術
29
10
データ収集
★
データ統合
同種のデータを統合するシステムを設計できる
30
11
データ収集
★★★
データ統合
異種フォーマットが混在するデータを統合するシステムを設計できる
アーキテクチャ設計
ステムに関する知識を有し、双方を活用して、適切な要求定義が行える
対象プラットフォームが提供する機能(SDKやAPIなど)の概要を説明でき
る
◯
対象プラットフォーム(iOS、Android、HEMSなど)におけるデータ取得の
仕様(精度など)を理解しており、システム要件を満たせるか判断できる
目的に適したログ取得項目を、対象プラットフォーム(iOS、Android、
HEMSなど)で取得可能なデータを用いて設計できる
対象プラットフォームにおけるバッテリー消費や通信速度などを含めたシス
テム要件を作成できる
取得するデータが増えることを想定し、拡張性を考慮したクライアントアプ
リケーション(ロガーなど)を設計できる
プラットフォームの違いを吸収し、統一的にデータを取得するプログラムを
実装できる
対象プラットフォームに用意された機能(HTTP、FTP、SSHなど)を用い、
データを収集先に格納するための機能を実装できる
ネットワークプロトコルや暗号化などの通信技術を用い、通信のボトルネッ
クを考慮した上で、必要な通信機能を実装できる
データ通信において、機能・性能問題に対し根本原因を特定できるだけでな
く、必要に応じて新規技術の適用を検討できる
7/20
◯
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
Sub
No
スキルカテゴリ
スキルレベル
31
12
データ収集
★★★
32
1
データ構造
★
データエンジニアリング力:チェック項目
サブカテゴリ
データ統合
必須スキル
システム分析・業務分析を元に、必要なデータフロー管理やジョブ管理ツー
ルを選定・評価できる
扱うデータが、構造化データ(顧客データ、商品データ、在庫データなど)
基礎知識
なのか非構造化データ(雑多なテキスト、音声、画像、動画など)なのか判
◯
断できる
33
2
データ構造
★
基礎知識
34
3
データ構造
★
要件定義
ER図を読んでテーブル間のリレーションシップを理解できる
◯
業務で使用するシステムのデータのライフサイクル(いつ、どんなデータが
発生し、いつまで保持されているのかなど)を把握して、論理モデルを作成
◯
できる
35
4
データ構造
★★
36
5
データ構造
★
テーブル定義
37
6
データ構造
★★
テーブル定義
38
7
データ構造
★★
テーブル定義
39
8
データ構造
★★
テーブル定義
40
9
データ構造
★★
テーブル設計
41
10
データ構造
★★
テーブル設計
42
11
データ構造
★★★
テーブル設計
43
1
データ蓄積
★
DWH
44
2
データ蓄積
★★
DWH
45
3
データ蓄積
★
分散技術
46
4
データ蓄積
★★
分散技術
47
5
データ蓄積
★★
分散技術
48
6
データ蓄積
★★★
分散技術
49
7
データ蓄積
★★★
分散技術
50
8
データ蓄積
★
分散技術
要件定義
データ保持ルール(データアクセス、性能、保持期間、セキュリティなど)
に基づき、データベース・DWHの運用ルールを定義できる
正規化手法(第一正規化~第三正規化)を用いてテーブルを正規化できる
ビジネスプロセスを理解・整理して、データフロー図、論理データモデル、
ER図、テーブル定義書を作成できる
◯
業務特性や基幹システムの特徴を元に、検索で頻繁に使用するデータのキー
(顧客IDなど)を想定し、インデックスを作成・設定できる
データ集計を高速化またはSQLを単純化するため、スタースキーマ、スノー
フレークスキーマなどを用いたデータモデルを設計できる
稼働中の複数のシステム間で発生するデータ項目の差異を、変換テーブルを
活用して、埋めることができる
DWHに入れる元データ(基幹DBのデータなど)のキーに変更があった場合
に、サロゲートキーやナビゲーションブリッジテーブルを用いて対応できる
非正規化テーブルや一時テーブルなどを作成し、アプリケーションの処理速
度を高速化できる
DWHアプライアンス(Oracle Exadata、IBM Pure Data/Netezza、
Teradataなど)に接続し、複数テーブルを結合したデータを抽出できる
DWHアプライアンス(Oracle Exadata、IBM Pure Data/Netezza、
Teradataなど)の機能と特徴を理解し、適切な管理対象データを選定できる
Hadoopに対応可能なインターフェース(MapReduce、Pig、Hiveなど)を
用いてHadoop上の大量データから条件に合致するデータを抽出できる
Hadoopの得意な点、苦手な点を理解し、Hadoopにて管理すべきデータを選
定できる
◯
KVSの特性(集計・ソートが苦手、データの一貫性保証など)を理解し、
KVSがデータストア要件を満たすかを判断できる
分散クラスタ構成が構築可能なRDBMS製品(Oracle RAC、IBM Pure Scale
など)を用いてスケールアウト可能なオンプレミス構成を設計できる
Hadoopの分散アーキテクチャを理解し、大容量データ処理のパフォーマン
スチューニングができる
NoSQLデータストア(HBase、Cassandra、Amazon DynamoDB、Cl
oudant、Azure DocumentDBなど)にAPIを介してアクセスし、新規デー
タを登録できる
51
9
データ蓄積
★
クラウド
52
10
データ蓄積
★★
クラウド
53
11
データ蓄積
★★★
クラウド
54
12
データ蓄積
★★★
キャッシュ技術
55
13
データ蓄積
★★★
56
14
データ蓄積
★★★
57
15
データ蓄積
★★★
58
16
データ蓄積
★★★
59
1
データ加工
★
リアルタイムデータ分
析
リアルタイムデータ分
析
クラウド上のストレージサービス(Amazon S3、Google Cloud Storage、
Softlayer Obect Storageなど)に接続しデータを格納できる
クラウド上のDWHサービス(Amazon Redshift、Google BigQueryなど)
にデータをロードし公開できる
クラウド上のデータストアサービスが機能面・非機能面で対象業務に合致す
るかの評価を行い、採用可否を判断できる
基盤設計において、どこのシステム要素にmemcachedなどのキャッシュ機
能を採用すると処理が高速化されるか判断できる
リアルタイムに入力されるストリームデータから指定条件のイベントを即時
に抽出する複合イベント処理(CEP)を実現するサーバー環境・構成を設計
できる
リアルタイムに連続して入力されるストリームデータの加工・集計処理を行
うにあたり、Storm等のリアルタイム分散フレームワーク適用の有効性を判
断できる
グリッドコンピュー
分散処理のフレームワーク(Spark、Tezなど)を用いてアプリケーションの
ティング
計算処理を複数サーバーに分散させる並列処理システムを設計できる
新規技術
データストアの技術動向に注目し、リレーショナルDBだけでなく、グラフ
DB・時系列DBなどの新規技術の検証・評価ができる
数十万レコードのデータに対して、条件を指定してフィルタリングできる
フィルタリング処理
(特定値に合致する・もしくは合致しないデータの抽出、特定範囲のデータ
◯
の抽出、部分文字列の抽出など)
60
2
データ加工
★★
61
3
データ加工
★
フィルタリング処理
ソート処理
正規表現を活用して条件に合致するデータを抽出できる
(メールアドレスの書式を満たしているか判定をするなど)
数十万レコードのデータに対して、レコード間で特定カラムでのソートがで
きる。また、数千レコードのデータに対して、カラム間でソートできる
8/20
◯
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
Sub
No
スキルカテゴリ
スキルレベル
データエンジニアリング力:チェック項目
サブカテゴリ
62
4
データ加工
★
結合処理
63
5
データ加工
★
クレンジング処理
64
6
データ加工
★★
クレンジング処理
65
7
データ加工
★★
クレンジング処理
66
8
データ加工
★
必須スキル
数十万レコードのデータに対して、単一条件による内部結合、外部結合、自
己結合ができる。また、UNION処理ができる
数十万レコードのデータに対して、NULL値や想定外・範囲外のデータを持
つレコードを取り除く、または既定値に変換できる
◯
フラットファイルやバイナリファイルに対するデータロードの前処理(クレ
ンジング操作、禁則処理やバイナリ処理)ができる
線形補間など、複数のレコードを考慮したクレンジング処理ができる
数十万レコードのデータに対して、規定されたリストと照合して変換する、
マッピング処理
都道府県名からジオコードに変換するなど、ある値を規定の別の値で表現で
きる
67
9
データ加工
★★★
68
10
データ加工
★
サンプリング処理
69
11
データ加工
★
集計処理
70
12
データ加工
★
変換・演算処理
71
13
データ加工
★★
変換・演算処理
72
1
データ共有
★
データ出力
73
2
データ共有
★
データ出力
74
3
データ共有
★
データ展開
75
4
データ共有
★★
データ展開
76
5
データ共有
★★
データ展開
77
6
データ共有
★★
データ展開
マッピング処理
データ定義や実際の観測データの状況をもとに、名寄せ処理を設計・実装で
きる
数十万レコードのデータに対して、ランダムまたは一定間隔にデータを抽出
できる
数十万レコードのデータを集計して、合計や最大値、最小値、レコード数を
算出できる
◯
数十万レコードのデータに対する四則演算ができる。また、数値データを日
時データに変換するなど別のデータ型に変換できる
数千万レコードのデータに対して、カラムナー型のデータに変換できる
加工・分析処理結果をCSV、XML、Excelなどの指定フォーマット形式に変
換してエクスポートできる
加工・分析処理結果を、接続先DBのテーブル仕様に合わせてレコード挿入で
きる
◯
◯
データ取得用のWeb API(REST)やWebサービス(SOAP)などを用いて、
必要なデータを取得できる
利用者の要件に合致したレポート(図、表)を、PDFやPostScriptなどの印
刷用フォーマットで出力する変換機能を設計できる
BIツール(Tableau、QlikView、PowerBI、Cognos、SASなど)用のサー
バーを構築し、単一データソースのレポート用DBを設計・構築できる
データストア上のデータをメールやメッセージ(Webサービスなど)を用い
てプッシュ配信するシステムのサーバー・ネットワーク・ソフトウェアの構
成を設計できる
78
7
データ共有
★★
データ展開
79
8
データ共有
★★
データ展開
80
9
データ共有
★
データ連携
81
10
データ共有
★
データ連携
82
11
データ共有
★
データ連携
83
12
データ共有
★★
データ連携
84
13
データ共有
★★★
データ連携
85
1
プログラミング
★
基礎プログラミング
86
2
プログラミング
★
データインタフェース
87
3
プログラミング
★★
アルゴリズム
88
4
プログラミング
★★★
アルゴリズム
89
5
プログラミング
★★
RSS、RDFや業界標準フォーマットなど要件に合致したデータ形式・配信形
式で、情報提供するシステムのインターフェースを設計できる
Web API(REST)やWebサービス(SOAP)などを用いて、必要なデータを
提供するシステムの公開インターフェースを設計できる
FTPサーバー、ファイル共有サーバーから必要なデータファイルをダウン
ロードして、Excelなどの表計算ソフトに取り込み活用できる
◯
BIツール(Tableau、QlikView、PowerBI、Cognos、SASなど)のレポート
編集機能を用いて新規レポートを公開できる
BIツールの自由検索機能を活用し、必要なデータを抽出して、グラフを作成
できる
連携対象システムの仕様に合わせて、ETLツールを用いたデータ変換、ファ
イル転送処理を実装できる
ESB・EAIなどのデータ連携基盤を活用してシステム間のデータ連携(デー
タ配信・交換)を行うインターフェースを設計できる
小規模な構造化データ(CSV、RDBなど)を扱うデータ処理(抽出・加工・
分析など)を、設計書に基き、プログラム実装できる
◯
JSON、XMLなど標準的なフォーマットのデータを受け渡すために、APIを使
用したプログラムを設計・実装できる
非効率なループ処理の性能向上などのために、計算量やメモリを意識したプ
ログラム実装ができる
最新の論文に発表された数式処理や機械学習ロジックをプログラム実装でき
る
データ型を意識したプログラム実装・試験ができる(C言語での性能・誤差
拡張プログラミング
を意識したデータ型の実装、Pythonでのエラー時のデータ型を意識したデ
バッグなど)
90
6
プログラミング
★★
拡張プログラミング
91
7
プログラミング
★★
拡張プログラミング
92
8
プログラミング
★★★
拡張プログラミング
GPU(GPGPU)環境を処理するライブラリを有効に活用できる
異なるタイプの複数の処理を効率よく行うために、スクリプトを用いたプロ
グラムを設計・実装できる(パイプライン処理のluigiなど)
対象プラットフォーム(iOS、Android、HEMSなど)におけるデータ取得の
業界標準を理解しており、今後の技術動向や規制についてのリスクを提示で
きる
9/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
Sub
No
スキルカテゴリ
スキルレベル
データエンジニアリング力:チェック項目
サブカテゴリ
93
9
プログラミング
★★
データ規模
94
10
プログラミング
★★★
データ規模
必須スキル
SNSから抽出した非構造化データを、適切な言語やライブラリを選んでプロ
グラム実装できる
単一サーバーの物理メモリを超える複数のデータソースを組合わせたデータ
処理において、分散処理アーキテクチャやデータのインメモリ処理の特性を
意識してプログラム設計ができる
95
11
プログラミング
★★
96
12
プログラミング
★★★
97
13
プログラミング
★
SQL
98
14
プログラミング
★★
SQL
分析プログラム
リアルタイム処理
分析プログラムのロジックと処理手順を理解した上で正しい分析結果を出力
しているか検証ができる
◯
ストリーミング処理や複合イベント処理(CEP)などを設計し、適切な言語
やライブラリを選んでプログラム実装できる
SQLで簡単なSELECT文を記述・実行できる(副問合せを含まない、2テーブ
ル程度の結合と簡単なWHERE条件を含むSELECT文)
◯
SQLの構文を一通り知っていて、記述・実行できる(DML・DDLの理解、各
種JOINの使い分け、集計関数とGROUP BY、CASE文を使用した縦横変換、
◯
副問合せやEXISTSの活用など)
99
15
プログラミング
★★★
SQL
100
16
プログラミング
★★★
SQL
RDBにおける分析関数の構文と挙動を理解し、分析関数を用いて複雑な副問
合せや自己結合を解消できる
N:Nの結合や完全外部結合の危険性(計算量の増大、結果の不完全性)、暗
黙の型変換の危険性(インデックス不使用、小数点以下の切り捨てなど)を
考慮したSQLを記述できる
記述したSQLの実行計画の確認と判断ができ、SQLの修正やインデックス作
101
17
プログラミング
★★★
SQL
成により、処理時間を大幅に改善するようなパフォーマンスチューニングが
できる
102
18
プログラミング
★★
Pig/Hive
103
19
プログラミング
★★
Pig/Hive
104
20
プログラミング
★★★
Pig/Hive
105
1
ITセキュリティ
★
基礎知識
106
2
ITセキュリティ
★★
107
3
ITセキュリティ
★
攻撃と防御手法
108
4
ITセキュリティ
★
攻撃と防御手法
109
5
ITセキュリティ
★
攻撃と防御手法
110
6
ITセキュリティ
★★
攻撃と防御手法
111
7
ITセキュリティ
★★
攻撃と防御手法
112
8
ITセキュリティ
★★★
攻撃と防御手法
113
9
ITセキュリティ
★★★
攻撃と防御手法
114
10
ITセキュリティ
★★★
攻撃と防御手法
115
11
ITセキュリティ
★
暗号化技術
116
12
ITセキュリティ
★
暗号化技術
117
13
ITセキュリティ
★
暗号化技術
一方向ハッシュ関数を用いて、データの改ざんを検出できる
118
14
ITセキュリティ
★★
暗号化技術
SSHやSSL/TLSなどのセキュアプロトコルの概要と必要性を説明できる
119
15
ITセキュリティ
★★★
暗号化技術
プライバシー
Hiveを記述して、パーティションが切られているデータを適切に処理できる
Pigを記述して列数・内容の異なる行が混在しているデータセットやネスト構
造を持つデータセットを処理できる
HiveまたはPigで使用するためのUDFが実装できる
セキュリティの3要素(機密性、可用性、完全性) について具体的な事例を
用いて説明できる
データ匿名化の方法を理解し、匿名化方法(ハッシュ化、マスキング、k-匿
名化など)に応じた加工処理を設計できる
◯
◯
コンピュータウイルスとワームの違いを説明でき、データやシステムを防御
する方法を理解している
ファイルシステム、ネットワーク、アプリケーション、データに対するユー
ザーごとのアクセスレベルを手順に従い設定できる
DoS攻撃、不正アクセス、マルウェアなど外部からの攻撃が発覚した場合に
既存のルールに基づき対応できる
ファイルシステム、ネットワーク、アプリケーション、データに対するユー
ザーごとのアクセスレベルを設計できる
SQLインジェクションやバッファオーバーフローなどの素通りを防止する対
策を判断できる
なりすまし、改ざん、中間者攻撃による盗聴などを防御するための対策を特
定できる
侵入検知システム(IDS)やファイアウォールなど外部からの不正アクセスを
検知、防御する環境を設計できる
個別の案件ごとに、依頼元との契約約款、依頼元がデータをどのように保持
し利用するかに応じて、適切な匿名化の手法を選択し適用できる
暗号化されていないデータは盗聴される恐れがあることを理解し、データの
機密度合いに応じてソフトウェアを使用した暗号化と復号化ができる
◯
なりすましや偽造された文書でないことを証明するために電子署名が必要で
あることを理解している
DES、AES、RC4を用いたKerberos認証が使われる事例と仕組みを説明でき
る
10/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
ビジネス力
Total:
30
★★:
49
★★★:
No
Sub
No
スキルカテゴリ
スキルレベル
ビジネス力:チェック項目
サブカテゴリ
1
1
行動規範
★
ビジネスマインド
2
2
行動規範
★★
ビジネスマインド
123
★:
ビジネスにおける論理とデータの重要性を認識し、分析的でデータドリブン
な考え方に基づき行動できる
44
必須スキル
○
ビジネスではスピード感がより重要であることを認識し、時間と情報が限ら
れた状況下でも、言わば「ザックリ感」を持って素早く意思決定を行うこと
ができる
3
3
行動規範
★★
ビジネスマインド
4
4
行動規範
★★
ビジネスマインド
5
5
行動規範
★★★
ビジネスマインド
作業ありきではなく、本質的な問題(イシュー)ありきで行動できる
○
最終的な結論に関わる部分や、ストーリーラインの骨格に大きな影響を持つ
部分から着手するなど、取り組むべき分析上のタスクの優先度を判断できる
プロフェッショナルとして、作業量ではなく、生み出す価値視点で常に判
断、行動でき、依頼元にとって真に価値あるアウトプットを生み出すことを
○
コミットできる
6
6
行動規範
★
データ倫理
7
7
行動規範
★★
データ倫理
8
8
行動規範
★★★
データ倫理
9
9
行動規範
★
法令
10
10
行動規範
★★
法令
11
11
行動規範
★★
法令
データを取り扱う人間として相応しい倫理を身に着けている(データのねつ
造、改ざん、盗用を行わないなど)
○
チーム全員がデータを取り扱う人間として相応しい倫理を持てるよう、適切
にチームを管理できる
データの取り扱いに関する、会社や組織全体の倫理を維持、向上させるため
に、必要な制度や仕組みを策定し、その運営を主導することができる
個人情報に関する法令の概要を理解している
担当するビジネスや業界に関係する法令を理解しており、データの保持期間
や運用ルールに活かすことができる
○
○
個人情報の扱いに関する法令、その他のプライバシーの問題、依頼元との契
約約款に基づき、匿名化すべきデータを選別できる(名寄せにより個人を特
定できるもの、依頼元がデータ処理の結果をどのように保持し利用するのか
なども考慮して)
12
1
論理的思考
★
MECE
データや事象の重複に気づくことができる
13
2
論理的思考
★★
MECE
初見の領域に対して、抜け漏れや重複をなくすことができる
14
3
論理的思考
★★★
MECE
15
4
論理的思考
★★
未知の領域であっても、類似する事象の推測などを活用し、抜け漏れや重複
をなくすことができる
データをもとに論理的 様々なデータや事象を、階層やグルーピングによって、構造化できる(ピラ
に捉える
データをもとに論理的
ミッド構造)
16
5
論理的思考
★★
17
6
論理的思考
★★★
18
7
論理的思考
★
言語化能力
分析結果の意味合いを適切に言語化できる
19
8
論理的思考
★★
言語化能力
近しい概念がある場合、データ表現に対して適切な言葉を選択できる
20
9
論理的思考
★★★
言語化能力
21
10
論理的思考
★
ストーリーライン
22
11
論理的思考
★★
ストーリーライン
23
12
論理的思考
★★★
ストーリーライン
24
13
論理的思考
★
ドキュメンテーション
25
14
論理的思考
★★
ドキュメンテーション
26
15
論理的思考
★★★
ドキュメンテーション
27
16
論理的思考
★
プレゼンテーション
28
17
論理的思考
★★
プレゼンテーション
29
18
論理的思考
★★★
プレゼンテーション
30
1
プロセス
★
○
に捉える
データをもとに論理的
に捉える
基礎知識
仮説思考を用いて、論点毎に分析すべき点を識別できる
論理的な整理にとらわれず、批判的・複合的な視点で課題を識別できる
○
データ表現に適した言葉がない場合でも、適切な言葉を新たに作り出すこと
ができる
一般的な論文構成について理解している
(序論⇒アプローチ⇒検討結果⇒考察や、序論⇒本論⇒結論 など)
因果関係に基づいて、ストーリーラインを作れる
(観察⇒気づき⇒打ち手、So What?、Why So?など)
相手や内容に応じて、自在にストーリーラインを組み上げることができる
1つの図表~数枚程度のドキュメントを論理立ててまとめることができる
(課題背景、アプローチ、検討結果、意味合い、ネクストステップ)
10~20枚程度のミニパッケージ(テキスト&図表)、もしくは5ページ程度
の図表込みのビジネスレポートを論理立てて作成できる
30~50枚程度のフルパッケージ(テキスト&図表)、もしくは10ページ以上
のビジネスレポートを論理立てて作成できる
プレゼンテーションの論拠不足や論理破綻を指摘された際に、すみやかに理
解できる
論理的なプレゼンテーションができる
プレゼンテーションの相手からの質問や反論に対して、説得力のある形で回
答できる
目的やゴールの設定がないままデータを分析しても、意味合いが出ないこと
を理解している
11/20
○
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
Sub
No
スキルカテゴリ
スキルレベル
ビジネス力:チェック項目
サブカテゴリ
31
2
プロセス
★
基礎知識
32
3
プロセス
★
KPI
33
4
プロセス
★★
KPI
34
5
プロセス
★★★
KPI
35
6
プロセス
★
問題の大枠定義
36
7
プロセス
★★
問題の大枠定義
37
8
プロセス
★★★
問題の大枠定義
38
9
プロセス
★
課題の定義
39
10
プロセス
★★
課題の定義
40
11
プロセス
★★★
課題の定義
41
12
プロセス
★
プロジェクト推進
42
13
プロセス
★★
プロジェクト推進
43
14
プロセス
★
アプローチ設計
44
15
プロセス
★★
アプローチ設計
45
16
プロセス
★★★
アプローチ設計
46
17
プロセス
★★★
アプローチ設計
47
18
プロセス
★★★
アプローチ設計
48
19
プロセス
★★
分析価値の判断
49
20
プロセス
★★★
分析価値の判断
50
1
データの理解・検証
★
統計情報への感度
51
2
データの理解・検証
★★
統計情報への感度
52
3
データの理解・検証
★★★
統計情報への感度
必須スキル
課題や仮説を言語化することの重要性を理解している
一般的な収益方程式、バランスシートなどに加え、自らが担当する業務の主
要な変数(KPI)を理解している
自らが関連する事業領域であれば、複数の課題レイヤーにまたがっていて
も、KPIを整理・構造化できる
初見の事業領域であっても、KPIを構造化し、重要なKPIを見極められる
自分の担当する業界について、市場規模、主要なプレーヤー、支配的なビジ
ネスモデル、課題と機会について説明できる
○
事業モデルやバリューチェーンなどの特徴や事業の主たる課題を自力で構造
的に理解でき、問題の大枠を整理できる
領域の主要課題を他領域の課題との連関も含めて構造的に理解でき、問題の
大枠を定義できる
担当する業務領域であれば、基本的な課題の枠組みが理解できる(調達活動
を5フォースで整理する、CRM課題をRFMで整理するなど)
取り扱う課題領域に対して、新規課題の切り分けや枠組み化ができる
仮説や可視化された問題がなくとも、解くべき課題を構造的に整理でき、見
極めるべき論点を特定できる
○
ウォーターフォール開発とアジャイル開発の違いを理解している
アジャイル開発体制のポイントを理解した上で、アジャイルな開発チームを
立ち上げ、推進することができる
スコープ、検討範囲・内容が明快に設定されていれば、必要なデータ、分析
手法、可視化などを適切に選択できる
解くべき課題がフレーミングされていれば、必要なデータ、分析手法、可視
化などを適切に選択できる
○
複数の事業や課題にまたがっていても、必要なデータ、分析手法、可視化な
どを適切に選択し作業手順に落とし込める
複数のアプローチの組み合わせでしか解けない課題であっても、その解決ま
での道筋を設計できる
他社による模倣を防ぐなど、競争力を保つ観点でアプローチの設計ができる
(機械化や標準化の範囲を絞るなど)
分析で解くべき課題か否かを判断できる
プロジェクトの開始時点で、入手可能なデータ、分析手法、インフラ、ツー
ルの生み出すビジネス価値を適切に見積りができる
ニュース記事などで統計情報に接したときに、数字やグラフの持つメッセー
ジを理解できる
積極的に統計情報を収集しているとともに、表現に惑わされず数字を正当に
評価できる(原点が0ではないグラフ、不当に誇張されたグラフなど)
数字やデータの検証のために、何と比較するべきかすみやかに把握し、収
集・利用できる(業務データや過去に接触した統計情報の想起・活用を含
む)
53
4
データの理解・検証
★
データ確認
54
5
データの理解・検証
★
データ確認
55
6
データの理解・検証
★★
データ確認
56
7
データの理解・検証
★★
データ確認
57
8
データの理解・検証
★★★
データ確認
単独のグラフに対して、集計ミスなどがないかチェックできる
○
データ項目やデータの量・質について、指示のもと正しく検証し、結果を説
明できる
複数のグラフや集計表で構成されているレポートに対して、全体として集計
ミスや不整合が起きていないかチェックできる
○
データ項目やデータの量・質の検証方法を計画・実行し、その結果をもとに
その後の分析プロセスを立案・修正できる
多数のグラフ、集計表、外部の統計情報、高度なデータ解析手法を用いた解
析結果などを含むレポートに対して、不整合が起きていないか、妥当性の高
い論理構造であるかチェックできる
分析に必要なデータを想定し、現在取得可能なデータで量・質ともに分析に
58
9
データの理解・検証
★★★
データ確認
耐える内容であるか判断できる。また、目的が達成可能であるか見込みが立
○
てられる
59
10
データの理解・検証
★
俯瞰・メタ思考
60
11
データの理解・検証
★★
俯瞰・メタ思考
61
12
データの理解・検証
★★★
俯瞰・メタ思考
62
13
データの理解・検証
★
データ理解
データの裏を読むことの重要性を理解している
データを俯瞰して、変化をすみやかに察知できる。また、変化が誤差の範囲
かどうか判断できる
複数のデータを多元的かつ大局的に俯瞰して、大きな動きや本質的な事実を
見抜くことができる
○
○
データから事実を正しく浮き彫りにするために、集計の切り口や比較対象の
設定が重要であることを理解している
12/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
Sub
スキルカテゴリ
No
スキルレベル
ビジネス力:チェック項目
サブカテゴリ
63
14
データの理解・検証
★
データ理解
64
15
データの理解・検証
★
データ理解
65
16
データの理解・検証
★★
データ理解
66
17
データの理解・検証
★★
データ理解
67
18
データの理解・検証
★★
データ理解
68
19
データの理解・検証
★★★
データ理解
69
20
データの理解・検証
★★★
データ理解
必須スキル
普段業務で扱っているデータの発生トリガー・タイミング・頻度などを説明
でき、また基本統計量を把握している
何のために集計しているか、どのような知見を得たいのか、目的に即して集
計できる
生データを眺めて、どのような切り口で集計・比較すればデータの理解や事
実の把握につながるか検討できる
○
○
扱ったことのない新たなデータに内容の不明な項目があっても、生データの
閲覧や集計を通して何の項目かあたりをつけられる
扱っているデータの関連業務の知識と分析目的を踏まえて、どんな説明変数
が効きそうか、あたりをつけて洗い出し、構造的に整理できる
データの変化の裏で起きている事実を読み取り、仮説を立て検証方法を立案
できる
データを入手する前に、存在するであろうデータとその分布を想定して基礎
俯瞰の方向性やその結果の想定ができ、それを前提とした解析方法の検討・
ラフ設計をすることができる
扱ったことのない新たなデータであっても、ER図やテーブル定義、生データ
70
21
データの理解・検証
★★★
データ理解
などを見ることによってデータの発生源や欠損値の意味などのあたりをつけ
られる
71
22
データの理解・検証
★★
データ粒度
72
23
データの理解・検証
★★★
データ粒度
分析目的とデータの量・質を踏まえて、想定されるメッセージと統計的観点
から適切な集計単位とサンプリング率を決定できる
分析目的とデータの量・質に加えて、想定しているメッセージ、深堀りの方
向性・可能性、処理負荷、データ処理フローなども総合的に踏まえた最適な
集計単位とサンプリング率を決定できる
73
24
データの理解・検証
★
ビジネス観点
74
25
データの理解・検証
★★
ビジネス観点
ビジネス観点で仮説を持ってデータをみることの重要性と、仮説と異なる結
果となったときにそれが重大な知見である可能性を理解している
特定の分析プロセスにおいて、統計手法による閾値や係数(量的変数の統計
的カテゴライズなど)に対して商品単価や購入周期を考慮するなど、ビジネ
ス観点で納得感のある調整ができる
分析プロセス全体を通して常時、ビジネス観点での妥当性をチェックしてい
75
26
データの理解・検証
★★★
ビジネス観点
る。また、データから得られた示唆がビジネス観点で新しい知見であるか都
○
度判断できる
76
1
データ入手
★
データ入手
77
2
データ入手
★
データ入手
78
3
データ入手
★★
データ入手
79
4
データ入手
★★
データ入手
80
5
データ入手
★★★
データ入手
81
6
データ入手
★★★
データ入手
仮説や既知の問題が与えられた中で、必要なデータにあたりをつけ、入手で
きる
○
現場に出向いてヒアリングするなど、一次情報に接することの重要性を理解
している
自身が担当するプロジェクトやサービスを超えて、必要なデータのあたりを
つけることができる
○
既存のサービスやアプリケーションに対して、有効な分析をするためのログ
出力の追加仕様を整理することができる
組織全体及び関連する社外のデータを見渡して、必要なデータのあたりをつ
けることができる
入手可能なデータに加え、分析結果の品質・効果を向上させる新たなデータ
入手方法を提案できる(IoTでの新設センサーの種類・配置場所・データ入
手間隔など)
82
1
意味合いの抽出、洞察
★★★
開示
83
2
意味合いの抽出、洞察
★
洞察
担当および関連する分析プロジェクトのデータ、分析結果を顧客、外部に開
示すべきか判断できる
分析、図表から直接的な意味合いを抽出できる
(バラツキ、有意性、分布傾向、特異性、関連性、変曲点、関連度の高低な
○
ど)
84
3
意味合いの抽出、洞察
★
洞察
85
4
意味合いの抽出、洞察
★★
洞察
86
5
意味合いの抽出、洞察
★★
洞察
87
6
意味合いの抽出、洞察
★★★
洞察
88
7
意味合いの抽出、洞察
★★
評価
89
8
意味合いの抽出、洞察
★★
評価
90
9
意味合いの抽出、洞察
★★
評価
91
10
意味合いの抽出、洞察
★★★
評価
92
1
解決
★★
総合的評価
想定に影響されず、分析結果の数値を客観的に解釈できる
ビジネス上の意味を捉えるために、特異点、相違性、傾向性、関連性を見出
したうえで、ドメイン知識を持つ人に適切な質問を投げかけられる
データの特徴を見て意味合いの明確化に向けた分析の深掘り、データ見直し
の方向性を設計できる
担当および関連する分析プロジェクトのデータを眺め、裏にある構造や意味
合い(真実)を見ぬくことができる
担当する分析プロジェクトの分析結果を見て検討目的と合っているか再評価
できる
○
各種の解析手法(主成分分析、クラスター分析、決定木分析など)の結果を
解釈し、意味合いを適切に表現・説明できる
分析結果が当初の目的を満たしていない場合に、必要な分析手順を追加でき
る
分析結果が当初の目的を満たしていない場合に、必要に応じてプロジェクト
全体を再設計できる
分析内容を総合的に評価し、モデルの定性的な評価ができる
13/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
Sub
スキルカテゴリ
No
スキルレベル
ビジネス力:チェック項目
サブカテゴリ
必須スキル
分析的検討に基づき、担当業務に対する必要なアクション、改革案を整理し
93
2
解決
★★
提案
94
3
解決
★★★
提案
95
4
解決
★★★
提案
データを利活用した持続性のある事業モデルを設計できる
96
1
事業に実装する
★★
実装
現場に実装する際、現場での実行可能性を考慮し適切に対応できる
97
2
事業に実装する
★★
実装
98
3
事業に実装する
★★★
実装
費用対効果、実行可能性、業務負荷を考慮した実装ができる
99
4
事業に実装する
★★
異分野とのコミュニ
異なるスキル分野の専門家や事業者と適切なコミュニケーションをとりなが
ケーション
ら実装を進めることができる
100
5
事業に実装する
★
モニタリング
101
6
事業に実装する
★★
モニタリング
102
7
事業に実装する
★★★
モニタリング
103
8
事業に実装する
★★★
横展開
104
1
活動マネジメント
★★★
データ倫理
て結論を導くことができる
分析的検討に基づき、経営レベルで必要なアクション、改革案を整理して結
論を導くことができる
○
担当する案件が自分の持っている予算内で解決するように取り組みをデザイ
ンし、実装できる
○
やりっぱなしではなく結果、改善の度合いをモニタリングする重要性を理解
している
事業・現場へ実装するにあたりモニタリングの仕組みを適切に組み込むこと
ができる
既存のPDCAに新たな仕込みを行い、次の改善的な取り組みにつなげること
ができる
特定のビジネス課題に向けた新しいソリューションを個別の現場の特性を考
慮し横展開できる
ウイルス、DDoS攻撃などの深刻なセキュリティ攻撃を受けた場合に対応す
る最新の技術を熟知し、対応する専門組織(CSIRT)の構成を責任者にすみ
やかに提案できる
指示に従ってスケジュールを守り、チームリーダーに頼まれた自分の仕事を
105
2
活動マネジメント
★
106
3
活動マネジメント
★★
リソースマネジメント 自身とチームメンバーのスキルを把握し、適切なプロジェクト管理ができる
107
4
活動マネジメント
★★
リソースマネジメント
108
5
活動マネジメント
★★
リソースマネジメント
109
6
活動マネジメント
★★★
リソースマネジメント
完遂できる
○
○
担当するプロジェクトで、設定された予算やツール、システム環境を適切に
活用し、プロジェクト進行できる
5名前後のチームを設計し、スケジュール通りに進行させ、ステークホル
ダーに対して期待値に見合うアウトプットを安定的に生み出せる
プロジェクトに求められるスキル要件と各メンバーのスキル・成長目標・性
リソースマネジメント 格をふまえ、現実的にトレードオフ解消とシナジーを狙ったリソースマネジ
メントができる
プロジェクトメンバーの技量を把握した上で、プロジェクト完遂に必要な
110
7
活動マネジメント
★★★
リソースマネジメント ツール選定、予算策定、スコープ設定、またはアウトソーシング体制を検
討・構築できる
複数のチームを設計し(総合的なプロジェクトマネジメント)、スケジュー
111
8
活動マネジメント
★★★
リソースマネジメント ル通りに進行させ、複合的なステークホルダーに対し、期待値を超えたアウ
トプットを安定的に生み出せる
112
9
活動マネジメント
★
リスクマネジメント
113
10
活動マネジメント
★★
リスクマネジメント
114
11
活動マネジメント
★★★
リスクマネジメント
担当するタスクの遅延や障害などを発見した場合、プロジェクトオーナーに
迅速かつ適切に報告ができる
担当するプロジェクトでの遅延や障害などの発生を検知し、リカバリーする
ための提案・設計ができる
プロジェクトに何らかの遅延・障害などが発生した場合、適切なリカバリー
手順の判断、リカバリー体制構築、プロジェクトオーナーに対する迅速な対
○
応ができる
自身とチームメンバーのスキルを大まかに把握し、担当するプロジェクトを
115
12
活動マネジメント
★★
育成/ナレッジ共有
通してチームメンバーへのスキルアドバイスやスキル成長のための目標管理
ができる
116
13
活動マネジメント
★★
育成/ナレッジ共有
117
14
活動マネジメント
★★★
育成/ナレッジ共有
118
15
活動マネジメント
★★★
育成/ナレッジ共有
119
16
活動マネジメント
★★★
育成/ナレッジ共有
チームメンバーのスキルに応じ、研修参加や情報収集への適切なアドバイス
やチーム内でのナレッジ共有を推進できる
チームの各メンバーに対し、データサイエンティストとしてのスキル目標の
設定、到達させるためのプロジェクトを通した適切なアドバイスができる
チーム育成の上で、データサイエンティストに求められるスキルについて、
研修制度の設計やナレッジ共有の仕組み構築と運営ができる
チームに必要な情報やデータサイエンスの新しい技術・手法に関する情報収
集戦略やラーニング方法を主導し、自ら情報を取捨選択し、チームにフィー
ドバックできる
120
17
活動マネジメント
★★
営業マネジメント
121
18
活動マネジメント
★★★
営業マネジメント
ビジネス要件を整理し、分析・データ活用のプロジェクトを企画・提案する
ことができる
依頼元やステークホルダーのビジネスをデータ面から理解し、分析・データ
活用のプロジェクトを立ち上げ、プロジェクトにかかるコストと依頼元の利
益を説明できる
122
19
活動マネジメント
★★
組織マネジメント
データサイエンスチームの役割を認識し、担当するプロジェクトにおいて、
組織内や他部門・他社間でのタスク設定や調整ができる
14/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
No
123
Sub
No
20
スキルカテゴリ
活動マネジメント
スキルレベル
★★★
ビジネス力:チェック項目
サブカテゴリ
組織マネジメント
必須スキル
データサイエンスチームを自社・他社の様々な組織と関連付け、組織内での
役割の規定、組織的な目標設定を行う
15/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
【添付別紙】
スキルチェックリスト:データサイエンス力
Data visualizationに関するイメージ共有のための参考資料(例示)
項目NO
10
データの持つ分散量の観点で、高次のデータを主成分分析(PCA)などにより1~3次元のデータに変換できる
引用元: 株式会社ALBERT WEBサイト
http://www.albert2005.co.jp/analyst_blog/?p=1214
13
ネットワーク構造、グラフ構造などの表現において、ノードとエッジが増えすぎて特徴抽出が困難であっても、データの
絞り込みや抽象度を上げることで適切に可視化できる
引用元: (出版物)大学共同利用機関法人 情報・システム研究機構 国立情報学研究所 発行
「国立情報学研究所ニュース[NII Today]第66号 平成26年12月」 6ページ
http://www.nii.ac.jp/userdata/results/pr_data/NII_Today/66/all.pdf
19
強調表現がもたらす効果を理解している(計量データに対しては位置やサイズ表現が色表現よりも効果的など)
引用元: 「solutions-2」WEBサイト
http://www.solutions2.be/Books.aspx をもとに独自に修正加筆
16/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
【添付別紙】
スキルチェックリスト:データサイエンス力
Data visualizationに関するイメージ共有のための参考資料(例示)
項目NO
20
1~3次元の比較において目的(比較、構成、分布、変化など)に応じた図表化ができる
引用元: Amit Agarwal 「Digital Inspiration」WEBサイト
http://www.labnol.org/software/find-right-chart-type-for-your-data/6523/
21
端的に図表の変化をアニメーションで可視化できる(人口動態のヒストグラムが経年変化する様子を表現するなど)
引用元: アメリカ国税調査局 WEBサイト
http://www.census.gov/dataviz/visualizations/055/
23
1~3次元の図表を拡張した多変量の比較(平行座標、散布図行列、テーブルレンズ、ヒートマップなど)を適切に可視化できる
引用元: [左図]「Data-Driven Documents」WEBサイト http://mbostock.github.io/d3/talk/20111116/iris-splom.html
[右図]「グラフスペクトル解析を用いた軸縮約可能平行座標系」WEBサイト
http://user.keio.ac.jp/~yun/projects/cpc/index-j.html
17/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
【添付別紙】
スキルチェックリスト:データサイエンス力
Data visualizationに関するイメージ共有のための参考資料(例示)
項目NO
24
ネットワーク構造、グラフ構造、階層構造などの統計的な関係性の可視化ができる
引用元: 株式会社ALBERT WEBサイト
http://www.albert2005.co.jp/technology/images/tech_mining_img106.jpg
24
ネットワーク構造、グラフ構造、階層構造などの統計的な関係性の可視化ができる
赤・白点:Wine
黄点:Cheese
引用元: 「Cytoscape.js」 WEBサイト (Wine & cheese)
http://cytoscape.github.io/cytoscape.js/demos/cde4db55e581d10405f5/
25
GPSデータなどを平面地図上に重ね合わせた可視化ができる
引用元: 「A WORLD OF TWEETS」WEBサイト
http://aworldoftweets.frogdesign.com/
18/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
【添付別紙】
スキルチェックリスト:データサイエンス力
Data visualizationに関するイメージ共有のための参考資料(例示)
項目NO
26
挙動・軌跡の可視化ができる(店舗内でのユーザの回遊やEye trackingなど)
引用元: 「Imperial College London」 WEBサイト
https://www1.imperial.ac.uk/cpssq/ms/m/
28
人体、標高を持つ地図、球面などの上にデータを重ね合わせた可視化ができる
引用元: James Yoder「Stuff in Space」WEBサイト
http://stuffin.space/
29
地図上で同時に動く数百以上のポイントにおける時間変化を動的に表現できる(多地点での風の動き、飛行物の軌跡など)
引用元: Kaspersky Lab 「CYBERTHREAT REAL-TIME MAP」WEBサイト
https://cybermap.kaspersky.com/
19/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
【添付別紙】
スキルチェックリスト:データサイエンス力
Data visualizationに関するイメージ共有のための参考資料(例示)
項目NO
29
地図上で同時に動く数百以上のポイントにおける時間変化を動的に表現できる(多地点での風の動き、飛行物の軌跡など)
引用元: Cameron Beccario「earth」WEBサイト
http://earth.nullschool.net/jp/#2015/09/09/1200Z/wind/surface/level/overlay=total_precipitable_water/ortho
graphic=-224.70,38.05,3000/grid=on
20/20
ver 1.00 (as of 11/13/2015)
一般社団法人データサイエンティスト協会 Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
データ社会に求められる
新しい才能とスキル
第2回シンポジウム
2015年11月13日
一般社団法人 データサイエンティスト協会
スキル委員会
本協会設立の背景と目的
設立時の状況
設立の目的
• バズワードである「データ
• この新しいデータプロフェッシ
• 雇い主側の期待に雇われる
• スキル育成と評価のための軸・
サイエンティスト」という
言葉の定義が欠落
側のスキルセットが合致し
ないケースが増加
• 若い才能たちが、自分達を
どう訓練し、スキルを身に
着けていくべきかわからな
い
ョナル(「データサイエンティ
スト」)に必要とされるスキル
セットを定義する
基準を作る
• このデータプロフェッショナル
の皆さんが相互に接し、やりと
りできるオープンな環境を提供
する
• 社会との対話を行なう
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
3
データサイエンティスト
とは何か?
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
4
コンピュータを持ち歩く時代に
‘85
‘90
‘95
2000
2005
2010
資料:安宅和人「データ時代に向けたビジネス課題とアカデミアに向けた期待」応用統計学セミナー2015.5.23
(http://www.applstat.gr.jp/seminar/ataka.pdf)
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
5
モノからも含め
多種多様なログデータが
今後、爆発的に発生
… ビッグデータ
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
6
計算キャパシティの爆増
資料:McKinsey Quarterly 2014 Number3 p.16
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
7
情報科学の進化
大量データ処理技術
深層学習の実用化
可視化(Data visualization)
技術の劇的な進展
資料:東京大学 喜連川・豊田研HP、 Universität Bonn, Institute for Computer Science HP、ヤフービッグデータレポートHP、Cameron Beccario
「earth」WEBサイト
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
8
歴史的な局面
産業革命
(18~20世紀)
情報産業革命
(現在)
新しい
リソース
• 石炭と石油
• 蒸気機関
• 電気工学
• ビッグデータ
• 高い計算能力
• 情報科学の進化
本質
• 人間と家畜を肉体労
• 人間を退屈な数字入
働、手作業から開放
する
力、情報処理作業か
ら開放する
資料:データサイエンティスト協会スキル委員会ディスカッション:安宅和人「データ時代に向けたビジネス課題とアカデミアに向けた期待」
応用統計学セミナー2015.5.23 (http://www.applstat.gr.jp/seminar/ataka.pdf)
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
9
Mission
「データの持つ力を解き放つ」
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
10
3つのスキルセット
ビジネス力
(business problem
solving)
データ
サイエンス
(data science)
情報処理、人工知
能、統計学などの
情報科学系の知恵
を理解し、使う力
課題背景を理解した上で、
ビジネス課題を整理し、
解決する力
データ
エンジニアリング
(data
engineering)
データサイエンスを
意味のある形に使えるよ
うにし、実装、運用でき
るようにする力
資料:データサイエンティスト協会プレスリリース (2014.12.10) http://www.datascientist.or.jp/news/2014/pdf/1210.pdf
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
11
データサイエンティストとは、
データサイエンス力、
データエンジニアリング力をベースに
データから価値を創出し、
ビジネス課題に答えを出す
プロフェッショナル
* ここで「ビジネス」とは社会に役に立つ意味のある活動全般を指す
資料:データサイエンティスト協会プレスリリース (2014.12.10) http://www.datascientist.or.jp/news/2014/pdf/1210.pdf
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
12
単なるスペシャリストでもエキスパートでもない
スペシャリスト
• 何らかの分野に特化した人
エキスパート
• 何らかの分野について体系的で秀でた知
識とスキルを持っている人
プロフェッショナル
• 体系的にトレーニングされた専門性を持
つスキルを持ち、
• それをベースに顧客(お客様、クライア
ント)にコミットした価値を提供し、
• その結果に対し、認識された価値の対価
として報酬を得る人
資料:データサイエンティスト協会スキル委員会ディスカッション
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
13
課題解決のフェーズによって核となるスキルが変わる
ビジネス
データ
サイエンス
データ
エンジニアリング
目的・テーマ設定
問題定義
アプローチの設計
処理・分析
解決
資料:データサイエンティスト協会プレスリリース (2014.12.10) http://www.datascientist.or.jp/news/2014/pdf/1210.pdf
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
14
どの一つが欠けてもダメ、、、優位はない
Biz
DS
DE
DS
Biz
DE
データスペシャリスト
ではあるが、そもそも
解決すべき問題が定義、
整理できない
ビジネス課題もわかり
そこでのサイエンスの
利活用もわかるが実装
できない
ビジネス課題の上で、
実装を用意できるが、
かなめとなるサイエン
スの知恵が足りない
>プロフェッショナル
ではない
>必要な変化を起こせ
ない
>賢いやり方を提供で
きない
資料:データサイエンティスト協会スキル委員会ディスカッション
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
15
スキルのレベル感は?
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
16
スキルレベル
デ
ー
タ
サ
イ
エ
ン
テ
ィ
ス
ト
一
般
人
スキルレベル
目安
対応できる課題
シニア・
データサイエンティスト
• 業界を代表するレベル
• 産業領域全体
• 複合的な事業全体
フル・
データサイエンティスト
• 棟梁レベル
• 対象組織全体
アソシエート・
データサイエンティスト
• 独り立ちレベル
• 担当プロジェクト全体
• 担当サービス全体
アシスタント・
データサイエンティスト
• 見習いレベル
• プロジェクトの担当テーマ
データ使い
• 賢くデータを器用に使
える人
• 担当業務
普通の人
• 特になし
資料:データサイエンティスト協会プレスリリース (2014.12.10) http://www.datascientist.or.jp/news/2014/pdf/1210.pdf
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
17
とりわけ棟梁レベルが足りていない
資料:情報・システム研究機構 『ビッグデータの利活用のための専門人材育成について』 (ビッグデータの利活用に係る専門人材育成に向けた
産学官懇談会) 2015.7.15
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
18
内容
1. 昨年のrecap
① 本協会設立の背景と目的
② データサイエンティストとは何か?
③ 3つのスキルとスキルレベル
2. スキルチェックリスト
① 全体として(昨年 vs 今年)
② 個別領域の広がり
③ レベル感の考え方
3. 実行に向けて
① チームをどう作るか?
② 人をどう育てるか?
③ 目指す人はどう着手すべきか?
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
19
詳細検討から見えてきたこと
気づき
データ
サイエンス
力
データ
エンジニア
リング力
ビジネス力
ポイント
• 情報科学も情報系、機
• 総合的な解決アプローチ
• いわゆるプログラマー
• 既存のエンジニアリング
• 問題解決力は単なる領
• 他のスキル領域と話せる
械学習系、データ可視
化系いずれかだけでは
足りない
、SIer的なエンジニア
の通常技術だけでは足
りない
域での知見やコンサル
的なものを超える必要
がある
につなげる力がより必要
。分野別の専門性はnice
to haveにすぎない
業務を超え、ビッグデー
タ処理を実現できる必要
がある
力を含めたデータ視点で
の課題解決力を持つ必要
がある
資料:データサイエンティスト協会スキル委員会討議
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
20
スキル表
(項目数)
データ
サイエンス
データ
エンジニアリング
ビジネス
レベル
計
棟梁レベル
(full)
58
37
44
(139)
★★
一人前レベル
(Associate)
68
43
49
(160)
★
見習いレベル
(Assistant)
54
39
30
(123)
180
119
123
(422)
★★★
領域計
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
21
留意事項
• データセキュリティはデータエンジニアリングとビジネス
それぞれの視点から扱っています
• 以下の項目は本チェックリストではカバーしていません
 特定のスキル項目ができると当然できると考えられるスキル
 特定の業界で重要であっても、一般性が低いスキル
 特定作業ができるために必要になるSAS、SPSSなど具体的
ツールを使うスキル*
• 20名弱の実務家の協議による検討結果 (ver.1) であり、必
要に応じ、適宜、見直していく位置づけです
• 個別の項目ができるできないの判断は、いまのところ各自
のご判断で行っていただく前提です(後述)
* ただし具体名を入れないと理解が困難なケースでは固有名詞を入れています
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
22
領域の広がり(データサイエンス)
探索的
Static
Dynamic
機械学習
解析技術
サンプリング
グルーピング
予測
データ加工
性質・関係性の把握
時系列分析
検定/判断
パターン発見
シミュレーション
/データ同化
グラフィカルモデル
Data Visualization
非構造化
データ処理
基礎技術
画像処理
言語処理
統計数理基礎
音声処理
統計数理応用
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
23
レベル感の目安(データサイエンス)
2015.11.13 現在
習熟度
扱えるデータ
解析技術
強烈に
素なデータ
の処理
業界代表
レベル
棟梁
レベル
データ可視化
手法の
組合せ・
最適化
一人前
レベル
手法の
実行
見習い
レベル
基本概念
の理解
非線形
解析
データ
加工
設計
多変量
解析
機械
学習
シミュレー
ション
最適化
画像処理
音声処理
言語
処理
リアルタイム
可視化
多変量・挙
動の可視化
2軸の
可視化
資料:データサイエンティスト協会スキル委員会討議
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
24
領域の広がり(データエンジニアリング)
守る技術
実装技術
ITセキュリティ
データ
収集
データ
構造
データ
蓄積
データ
加工
データ
共有
環境構築
基礎技術
プログラミング
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
25
レベル感の目安(データエンジニアリング)
2015.11.13 現在
データ規模・タイプ
環境
その他
業界代表
レベル
棟梁
レベル
数十億
(世界)
一人前
レベル
数千万
非構造化
(国レベル) データ
数台のサーバー
見習い
レベル
数十万
構造化
(市レベル) データ
PC(Excel, BI
ツール利用)
•クラウド
•アプライアン
ス
• リアルタイム
処理
• 分散処理
セキュリ
ティ対策
Pig
Hive
SQL
資料:データサイエンティスト協会スキル委員会討議
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
26
領域の広がり(ビジネス)
活動マネジメント
ビジネス
課題解決
データ
課題解決
基礎能力
事業に実装する
データ
入手
データの
理解・検証
意味合いの
抽出・洞察
プロセス
論理的思考
行動規範
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
27
レベル感の目安(ビジネス)
2015.11.13 現在
対応力
問題解決
業界代表
レベル
実装
育成
複合的
体制
棟梁
レベル
新規の
問題に
対応
一人前
レベル
既存の
問題に
対応
見習い
レベル
責任範囲
課題
設定
課題
発見
指示下
で実行
新規
データ
解読
複数
チーム
複数
事業
横展開
育成
システム
既存
データ
解読
単一
チーム
単一
事業
事業
実装
個別
メンバー
データ
確認
担当
特定
(タスク) 課題
資料:データサイエンティスト協会スキル委員会討議
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
28
レベルの目安
チェックリストの該当度
(%)
業界代表
レベル
-
棟梁
レベル
• 3つの領域別に判定
• 各レベルの必須項目
を一つでも満たさな
いとアウト
一人前
レベル
• 下のレベルは満たし
ていることが前提
見習い
レベル
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
29
スキルは本質的にmoving target
・・・
CONCEPTUAL
★★★★
★★★
★★
★
2014
2015
・・・
t
資料:データサイエンティスト協会スキル委員会討議
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
30
スキルチェックの仕組み(イメージ)

2016年度にデータサイエンティスト自身がスキルのチェックをサイト上で実施できる
自己診断の仕組みを公開予定。
人材紹介業界でのスタンダードを目指し、データサイエンティストや企業間での
スキルに関する情報の標準化を通じて、ミスマッチの解消や取引の適正化を実現します。
日本のDSの
スキルレベルと
分布の把握
分析の
トレンドと
ニーズの把握
求人企業
⑥期待する分析
⑦必要なスキル項目
③個人会員の
スキルデータ蓄積
①診断のため
スキルを入力
②判定
スキル
自己診断
サイト
④必要に応じて
スキルシート出力
⑧求人時に
スキル項目を
添付
マッチング
精度向上
⑤求職時にスキルシートを添付
人材紹介会社
データサイエンティスト
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
31
内容
1. 昨年のrecap
① 本協会設立の背景と目的
② データサイエンティストとは何か?
③ 3つのスキルとスキルレベル
2. スキルチェックリスト
① 全体として(昨年 vs 今年)
② 個別領域の広がり
③ レベル感の考え方
3. 実行に向けて
① チームをどう作るか?
② 人をどう育てるか?
③ 目指す人はどう着手すべきか?
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
32
本日討議したいこと
• 具体的にどう回すか?
• 具体的にどうやって育成していくべ
きか?
• 目指す人は何をどうしていったらい
いのか?
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
33
実際のチームは
どう組んだらいいのか?
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
34
チーム編成事例 (1/3):ウェブサービス提供
例1:レコメンド(Sci寄り)
例2:アクセス解析(Eng寄り)
分野
Biz
Biz
Biz
Sci
Sci
Eng
レベル
Sci
3
2
Eng
1
0
Eng
計
7名
3ヶ月(改善)~12ヶ月(新規)
計
チーム
リーダー
7名
1ヶ月(改善)~6ヶ月(新規)
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
35
チーム編成事例(2/3):マーケティングソリューション
例3:行動データ解析
例4:マーケティング投資最適化
分野
Biz
Sci
Eng
Sci
Eng
①
開
発
レベル
①
開
発
3
2
Sci
ALL
Biz
Eng
1
②
分
析
②
分
析
Biz
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
0
チーム
リーダー
#ds_symp2nd
36
チーム編成事例(3/3) : ユーザ企業への実装
例5:マーケティングオートメーション導入
分野
Biz
ユーザ企業
Sci
2~3人
協働
Eng
レベル
3
データサイエンティスト
(外部)
2
2~3人
1
0
SIer
(外部)
3~4人
チーム
リーダー
3~6ヶ月
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
37
Key takeaways (チーム作り)
• 単独の一人ではなく、チームとして必要なスキ
ルセットを実現するのが現実解
• 課題解決の重さがどこにあるかで組成も変化
(サイエンスより、エンジニアよりなど)
• 開発、運用などのフェーズによっても異なる
• チームリーダーはコアになる課題解決と俯瞰で
きる力の有無できまる
資料:データサイエンティスト協会スキル委員会討議
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
38
Discussion
• そもそもこのような体制を作れな
い会社はどうしたらいいのか?
• どういうヒトの組み合わせ、体制
にしたらいいのかわからない会社
はどうしたらいいのか?
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
39
ではスキル育成は
どうしたらいいのか?
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
40
育成の実例(1/4) : マーケティングソリューション会社
ケース1
分野
中途採用
Biz
Sci
Eng
OJT
レベル
新卒
新規配置
外
部
ト
レ
ー
ニ
ン
グ
異動
3
2
1
OJT
0
異動
中途採用
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
41
育成の実例(2/4) : データソリューション会社
分野
ケース2
Biz
Junior
Senior
Sci
レベル
Scientist
Consultant
Jr Analyst
Analyst
3
実
際
に
は
横
異
動
も
あ
る
2
1
0
Project
Manager
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
Eng
#ds_symp2nd
42
育成の実例(3/4) : 分析ソリューション会社
分野
ケース3
Biz
中途採用
Sci
Eng
レベル
異動
異動
3
2
1
インター
ン
新卒
トレーニン
グ
0
異動
異動
中途採用
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
43
育成の実例(4/4):データ分析ソリューション事業
分野
ケース4
Biz
Sci
(社社
自外内
発トト
的レレ
なーー
利ニニ
用ンン
)ググ
Eng
レベル
3
2
1
0
PJT型の組織でのOJT
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
44
Key takeaways (育成)
• 見習いレベルまでは共通的なトレーニングで、
そこから先は実践を通じてが基本
• サイエンス、エンジニア両方のスキルを同時
というより、プロジェクトや部門異動によっ
て育成していくのが現実解
• ビジネス力は複数の領域を超えて仕事を始め、
全体を俯瞰してマネージする中で育成する
ケースが多い
資料:データサイエンティスト協会スキル委員会討議
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
45
Discussion
• 特定の領域の職人的な環境にいるひと(特にエ
ンジニア上がりの人)はどうやってデータサイ
エンティストになるのか?
• より高度化していくスキルにどのように対応し
ていくべきなのか?
• 異動を自分でコントロールしようがない時にど
のように新しいスキルを身につけていくべきな
のか?
• 高等教育機関(特に大学)はどう活用したら良
いのか?
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
46
Mission
「データの持つ力を解き放つ」
Copyright © 2015 The Japan DataScientist Society. All Rights Reserved.
#ds_symp2nd
47
Author
Document
Category
Uncategorized
Views
14
File Size
5 452 KB
Tags
1/--pages
Report inappropriate content